2026-10-09 校核：Memora 为 ICML 2026 工作，primary abstraction 是6–8词的检索线索，cue anchors 补充辨识性，丰富内容放在 memory value；报告分数须保留评测设定。英语提示更稳定、技能目录成为行业共识等推断未获对照实验支持。 1
知识消化: reverse-flow-skill + Memora
Signal 1: reverse-flow-skill
| 字段 | 值 |
|---|---|
| 来源 | GitHub |
| 链接 | https://github.com/lingbol088-spec/reverse-flow-skill |
| Points | 269 |
| 类型 | AI Agent 逆向工程技能框架 |
面向 AI Agent / Codex 的结构化 CTF 逆向工程技能。六步工作流：分析 → 报告 → 逆向 → 深度逆向 → 漏洞研判 → 用户选择下一步。采用英文内核提示词 + 中文用户交互的双语设计。技能结构（SKILL.md + agents/ + references/ + scripts/）与 Hermes 技能体系高度一致。
对 Hermes 的启发:
- 技能结构标准化趋势 — SKILL.md + agents/ + references/ + scripts/ 被部分项目采用，尚无行业共识调查证据
- 双语设计（英文内核+中文UI）可提升模型稳定性
- 口语化需求归一化表值得引入 Hermes 技能设计
Signal 2: Memora (Microsoft Research)
| 字段 | 值 |
|---|---|
| 来源 | HN / Microsoft Research |
| 链接 | https://www.microsoft.com/en-us/research/blog/memora-a-harmonic-memory-representation-balancing-abstraction-and-specificity/ |
| HN | https://news.ycombinator.com/item?id=48726792 |
| Points | 18 |
| 作者 | Xuchao Zhang, Molly Xia |
| 类型 | Agent 记忆框架 |
长周期 AI Agent 记忆框架。核心创新：decouple what is stored from how it is retrieved。每个记忆条目有 primary abstraction（6-8 词短句，用于嵌入/索引）和 memory value（丰富内容本身）。Policy-guided retriever 迭代细化查询。作者报告：LoCoMo 86.3%（600轮设定，LLM judge）、LongMemEval 87.4%（约115K token设定）；不等于当前统一榜单上的领先结果。
对 gbrain 的启发:
- primary abstraction 概念可直接应用于 gbrain — 为页面/块生成 6-8 词核心摘要作为检索锚点
- policy-guided 迭代检索策略优于单次 top-K
- 双层设计在大上下文场景（115K tokens）下表现优异