目录1. 秘塔搜索 MCP 是什么2. 秘塔 MCP 提供哪些工具3. 配置秘塔 MCP 到 Codex4. 功能实测用一个主题跑通秘塔 MCP5. 使用体验与工具选择1. 秘塔搜索 MCP 是什么简单来说秘塔搜索 MCP 就是给 Codex 接上一套可以直接调用的联网搜索能力。当任务需要查询最新技术文档、论文、开源项目或中文互联网信息时Codex 可以直接调用秘塔搜索再基于搜索结果继续完成任务。一句话理解Codex 负责思考和执行秘塔负责搜索MCP 负责把两者连接起来。整个调用过程大致是用户 ↓ Codex ↓ MCP ↓ 秘塔 AI 搜索 ↓ 网页 / 文档 / 论文等结果 ↓ Codex 筛选、整理并回答三者的分工也比较清楚组件作用Codex理解任务、决定是否搜索、整理结果MCP将秘塔搜索能力接入 Codex秘塔 AI 搜索实际执行网页、文档、论文等信息检索所以真正需要做的事情并不多获取秘塔 API Key ↓ 配置秘塔 MCP ↓ Codex 加载 MCP ↓ 直接使用配置完成后不需要自己写 HTTP 请求也不用单独调用搜索 API。例如直接告诉 Codex使用秘塔搜索最新的 Codex MCP 配置方法并给出官方来源。Codex 就可以根据任务调用秘塔 MCP拿到搜索结果后继续分析和整理。实际使用感受用下来比较明显的一点是不用再频繁在浏览器和 Codex 之间来回切换。以前查一个不确定的信息通常要自己搜索、挑结果、复制回来接入 MCP 后可以直接把问题交给 Codex让它自己查、自己筛再接着完成后面的任务。查技术文档、论文和项目资料时整个过程会顺很多。2. 秘塔 MCP 提供哪些工具秘塔 MCP 主要提供 3 个工具分别对应搜索、读取、问答。Tool作用metaso_web_search搜索网页、文档、论文、图片、视频、播客metaso_web_reader读取指定网页正文metaso_chat基于检索结果直接回答问题metaso_web_search最常用的搜索工具用来找资料。如果是论文检索可以通过scopepaper限定搜索范围。搜索 LLM Agent 长期记忆相关论文并给出来源。metaso_web_reader用于继续读取搜索结果中的网页正文。搜索 → 选择结果 → 读取正文 → 继续分析适合论文、技术博客和项目文档这类需要深入阅读的内容。metaso_chat更偏向直接问答问题 → 搜索 → 整理 → 回答适合快速了解一个主题不需要自己逐条处理搜索结果。简单理解web_search负责找web_reader负责读metaso_chat负责直接回答。3. 配置秘塔 MCP 到 Codex配置其实只需要三步获取 API Key → 添加 MCP → 检查是否连接成功3.1 获取 API Key先在秘塔搜索 API 控制台创建自己的 API Key。秘塔 MCP 的服务地址为https://metaso.cn/api/mcp官方使用Bearer API_KEY进行认证。注意API Key 不要直接上传到 GitHub 或写进公开博客。3.2 添加到 CodexCodex 可以直接通过命令行添加远程 MCP Server。先把 Key 保存到环境变量例如 PowerShell$env:METASO_API_KEY你的 API Key然后执行codex mcpaddmetaso\--urlhttps://metaso.cn/api/mcp\--bearer-token-env-var METASO_API_KEY这样 Codex 会把秘塔作为一个远程 MCP Server 加入配置。3.3 检查是否配置成功执行codex mcp list如果列表中能够看到metaso说明 MCP 已经被 Codex 识别。也可以进入 Codex 后使用/mcp查看当前可用的 MCP Server。最后直接测试使用秘塔搜索最近的 LLM Agent Memory 相关论文并给出来源。如果 Codex 能正常调用metaso_web_search并返回搜索结果配置就完成了。最终链路API Key → metaso MCP → Codex → 直接搜索4 功能实测用一个主题跑通秘塔 MCP为了更直观地看出三个 Tool 的区别这里统一以LLM Agent 长期记忆为主题依次演示metaso_web_search→ 搜索代表性论文metaso_web_reader→ 精读其中一篇论文metaso_chat→ 综合公开资料回答复杂问题三个任务前后衔接分别对应“搜索、阅读、问答”。4.1metaso_web_search学术论文检索先从公开论文中定位 LLM Agent 长期记忆领域的代表性工作主要展示秘塔 MCP 的学术搜索能力。Prompt任务 调研 2024–2026 年 LLM Agent 长期记忆Long-term Memory领域的代表性研究。 要求 * 使用秘塔学术搜索scopepaper。 * 筛选 8–12 篇与 Agent 长期记忆机制高度相关的论文。 * 优先高质量会议、期刊及有影响力的最新工作。 * 不补充无法从检索结果验证的信息。 输出 用表格整理论文标题、年份、来源、核心方法、主要贡献和链接并总结当前主要技术路线。运行结果基于秘塔学术搜索scopepaper结果筛选出以下 10 篇与 Agent 长期记忆机制高度相关的代表性工作。仅保留检索结果能够验证的内容个别论文的正式会议归属在结果中未明确标注统一注明为预印本或未注明来源。 | 论文 | 年份 | 来源 | 核心方法 | 主要贡献 | 链接 | |---|---:|---|---|---|---| | **MemoryBank: Enhancing Large Language Models with Long-Term Memory** | 2024 | AAAI 2024 | 外部长期记忆库记忆存储、召回与遗忘机制 | 增强 LLM 的长期信息保持、用户画像理解和个性化交互能力应用于 SiliconFriend | [AAAI/ACM 页面](https://dl.acm.org/doi/10.1609/aaai.v38i17.29946) | | **Evaluating Very Long-Term Conversational Memory of LLM Agents** | 2024 | ACL 2024 | LoCoMo 长对话记忆基准 | 构建跨最多 35 个会话、约 300 轮对话的数据集评估问答、事件摘要、多模态对话及时间/多跳推理 | [ACL Anthology](https://aclanthology.org/2024.acl-long.747/) | | **LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory** | 2024 | arXiv 预印本 | 长期交互记忆评测 | 提出面向聊天助手的长期记忆基准用于评估信息记忆、更新、检索和长期一致性 | [arXiv:2410.10813](https://arxiv.org/abs/2410.10813) | | **A-MEM: Agentic Memory for LLM Agents** | 2025 | arXiv 预印本 | Zettelkasten 式结构化记忆动态链接与记忆演化 | 将交互转化为结构化“原子记忆”自动建立记忆关联并根据新经验更新旧记忆 | [arXiv:2502.12110](https://arxiv.org/abs/2502.12110) | | **Zep: A Temporal Knowledge Graph Architecture for Agent Memory** | 2025 | arXiv 预印本 | 时间知识图谱 | 使用带时间信息的知识图谱组织 Agent 记忆支持事实、实体关系和历史状态的检索 | [arXiv:2501.13956](https://arxiv.org/abs/2501.13956) | | **Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory** | 2025 | arXiv 预印本 | 动态记忆提取、整合与检索图增强版本 | 面向生产环境构建可扩展长期记忆重点解决跨会话信息保留、延迟和 token 成本问题 | [arXiv:2504.19413](https://arxiv.org/abs/2504.19413) | | **MemOS: An Operating System for Memory-Augmented Generation in Large Language Models** | 2025 | arXiv 预印本 | 记忆操作系统统一管理记忆生命周期 | 将记忆视为可管理的系统资源提供记忆存储、调度、调用与治理机制 | [arXiv:2505.22101](https://arxiv.org/abs/2505.22101) | | **MIRIX: Multi-Agent Memory System for LLM-Based Agents** | 2025 | arXiv 预印本 | 多 Agent 记忆管理六类记忆与 Meta Memory Manager | 支持文本、截图等多模态输入按不同记忆类型分工更新和检索增强复杂长期用户数据管理 | [arXiv:2507.07957](https://arxiv.org/abs/2507.07957) | | **Nemori: A Self-Organizing Memory Architecture for Long-Term Autonomous Agents** | 2025 | 预印本/来源未注明 | 自组织记忆事件分段与预测校准 | 通过“双步对齐”和“预测校准”解决记忆粒度及知识持续演化问题在 LoCoMo、LongMemEval 上进行评估 | [检索结果页面](https://paperreading.club/page?id328455) | | **Memento: A Memory-Based Approach for Continuous Learning in LLM Agents** | 2025 | 预印本/来源未注明 | 基于记忆的在线强化学习案例推理 | 将 Agent 持续学习建模为记忆增强决策过程通过历史轨迹检索、案例选择和记忆重写实现无需微调的持续适应 | [检索结果页面](https://developer.aliyun.com/article/1680096) | ### 当前主要技术路线 1. **外部向量记忆与动态摘要** 将对话、事实和用户偏好写入外部存储通过嵌入检索、摘要和记忆合并实现跨会话连续性。代表MemoryBank、Mem0。 2. **结构化记忆与知识图谱** 以实体—关系—时间或原子笔记组织记忆支持多跳、时间推理和关系更新。代表Zep、A-MEM。 3. **分层记忆与记忆操作系统** 将短期上下文、长期记忆、技能/程序记忆统一纳入调度、读写、更新和治理框架。代表MemOS。 4. **自组织与自演化记忆** 由 Agent 自动决定记忆粒度、链接、重写、更新和遗忘减少固定规则依赖。代表Nemori、A-MEM。 5. **记忆驱动的持续学习** 不直接更新模型参数而是通过历史案例、轨迹和反馈改善后续决策。代表Memento。 6. **多 Agent、多模态记忆协同** 由不同记忆 Agent 负责情景、语义、视觉或程序信息再由总控模块统一检索与融合。代表MIRIX。 7. **评测基准与长期一致性验证** 研究重点已从“能否存储”转向“能否正确更新、检索、进行时间/多跳推理并长期保持一致”。代表LoCoMo、LongMemEval。 总体趋势是Agent 记忆正从“向量数据库 RAG”演进为包含结构化表示、主动写入、动态更新、时间建模、持续学习和隐私治理的认知基础设施。4.2metaso_web_reader论文原文精读在上一任务的检索结果中选择MemoryBank进一步读取论文原文测试metaso_web_reader对指定页面的正文解析和关键信息提取能力。Prompt任务 从上一任务检索的 LLM Agent 长期记忆论文中 MemoryBank: Enhancing Large Language Models with Long-Term Memory 进行精读。 要求 使用 metaso_web_reader 读取论文原文页面。 以原文为依据不补充无法验证的信息。 重点分析长期记忆的存储、检索、更新和遗忘机制。 输出 整理研究问题、核心方法、记忆机制、实验设置、主要结果和局限性并简要总结该方法的特点。运行结果节选## 核心方法 MemoryBank 由三个核心部分组成 1. **Memory Storage记忆存储** 2. **Memory Retriever记忆检索器** 3. **Memory Updater记忆更新器** ## 长期记忆机制 ### 存储 保存按时间排列的多轮对话、事件摘要和用户画像形成 原始对话 → 每日事件/人格摘要 → 全局事件/人格概括 ### 检索 将记忆片段编码为向量并建立索引通过 FAISS 根据当前对话上下文召回相关历史记忆。 ### 更新 采用受 Ebbinghaus 遗忘曲线启发的机制记忆随时间衰减被再次检索或回忆时则提高记忆强度。 ### 遗忘 根据时间、重要性和回忆次数选择性遗忘或强化记忆。完整结果还包括实验设置、定量结果、局限性和方法总结这里仅展示与长期记忆机制直接相关的核心内容。4.3metaso_chat搜索增强综合问答最后不再指定某一篇论文而是直接提出一个需要综合多份资料才能回答的问题用来展示metaso_chat的搜索增强问答能力。Prompt任务 使用 metaso_chat 回答以下问题。 问题 截至 2026 年LLM Agent 长期记忆主要有哪些技术路线它们在记忆存储、检索、更新和遗忘机制上有何差异各自适合什么场景 要求 * 基于搜索增强结果回答。 * 给出代表性研究或系统作为依据。 * 关键结论需有可追溯来源不确定内容明确标注。 输出 按“技术路线、代表工作、核心机制、优势、局限、适用场景”整理并简要总结当前发展趋势。运行结果根据 metaso_chat 的搜索增强结果当前长期记忆路线可归纳如下。需要注意部分 2026 年工作的检索结果来自综述或二手资料原论文细节尚未充分验证以下已单独标注。 | 技术路线 | 代表工作 | 核心机制 | 优势 | 局限 | 适用场景 | |---|---|---|---|---|---| | 外部向量库 摘要记忆 | **MemoryBank**AAAI 2024**Mem0**2025arXiv:2504.19413 | 将对话、事件和用户信息摘要后向量化持久化到外部存储按当前上下文做语义检索 | 工程实现成熟不需修改模型参数易跨会话部署 | 纯相似度检索对多跳关系和时间逻辑有限摘要可能损失细节更新通常依赖再次抽取/向量化 | 个人助手、客服、陪伴式 Agent、文档问答 | | 分层/操作系统式记忆 | **MemGPT**2023作为基础工作**MemOS**2025arXiv:2505.22101 | 将工作记忆、长期记忆及不同类型记忆分层管理执行记忆加载、卸载、调度和治理 | 能缓解上下文窗口限制记忆生命周期较清晰适合统一管理多种记忆 | 调度策略复杂层间读写协调成本高MemOS 的具体效果在检索结果中未充分呈现 | 长周期任务、复杂工作流、多 Agent 系统 | | 知识图谱/时间结构化记忆 | **Zep**2025arXiv:2501.13956Graphiti系统 | 抽取实体、关系、属性和时间信息使用图遍历或图向量混合检索 | 支持多跳、时间和关系推理局部节点/边可更新可解释性较好 | 图构建和关系抽取成本高抽取错误会传播开放域泛化可能弱于向量检索 | 企业知识管理、决策支持、复杂实体关系分析 | | 主动/自组织记忆 | **A-MEM**2025arXiv:2502.12110**Nemori**2025来源与论文版本需进一步核验 | A-MEM 使用 Zettelkasten 式原子记忆、自动链接和记忆演化Nemori 通过事件分段和预测校准组织记忆 | 记忆结构可随新经验变化减少固定 schema 和人工规则依赖 | 依赖 LLM 判断质量更新稳定性、成本和可控性仍需验证 | 长期个性化交互、开放环境、自主学习 Agent | | 记忆驱动持续学习 | **Memento**2025来源未充分核验 | 将历史轨迹和成功/失败案例存入案例库通过检索和案例推理改善后续决策不必直接微调基础模型 | 适合在线适应可复用经验避免频繁参数训练 | 案例选择和记忆重写可能产生噪声长期规模化和泛化证据有限 | 深度研究、工具调用、开放任务和持续适应 | | 强化学习统一记忆管理 | **AgeMem / Agentic Memory**检索结果标为 2026原论文细节未充分验证**MemRL**2026检索结果仅间接提及 | 将记忆写入、检索、更新、总结和遗忘作为 Agent 可学习的动作或策略用任务奖励优化 | 可针对任务自动学习记忆策略减少人工阈值设计 | 奖励设计困难训练和探索成本高安全、可控遗忘尚未充分验证 | 有明确反馈/奖励的交互环境、复杂长程任务 | | 多模态/多 Agent 记忆 | **MIRIX**2025arXiv:2507.07957 | 通过多个记忆 Agent 管理六类记忆支持文本、截图等多模态信息并由 Meta Memory Manager 协调 | 覆盖多模态经验模块化适合共享和分工检索 | 系统复杂跨 Agent 一致性、权限和隐私治理成本高 | 桌面助手、视觉交互、团队协作 Agent | | 记忆评测路线 | **LoCoMo**ACL 2024**LongMemEval**2024arXiv:2410.10813 | 构造长会话、多会话和时间事件数据评估召回、摘要、时间/因果及多模态能力 | 将评估从“是否存储”推进到长期一致性、时间推理和多跳检索 | 属于评测基准而非记忆架构数据分布与真实部署仍可能有差异 | 记忆系统选型、对比实验和回归测试 | ### 存储、检索、更新和遗忘的主要差异 - **存储**向量路线保存文本片段或摘要结构化路线保存实体、关系和时间分层路线按记忆功能和生命周期分区多模态路线还保存图像等非文本经验。 - **检索**向量路线依赖语义相似度图谱路线依赖图遍历和关系推理分层系统先决定访问哪一层主动记忆和强化学习路线进一步学习“何时检索、检索什么”。 - **更新**MemoryBank、Mem0 主要通过信息抽取、摘要合并和再次写入更新A-MEM/Nemori 强调记忆链接、重写和自组织Memento 通过案例库累积经验AgeMem 试图把读写更新统一为策略动作。 - **遗忘**MemoryBank 明确采用受 Ebbinghaus 遗忘曲线启发的时间衰减和回忆强化其他路线通常强调删除、合并、压缩或生命周期管理但具体遗忘算法在检索结果中并未充分验证。强化学习路线的“自主遗忘”仍属于早期方向。 ### 当前发展趋势 已由检索结果支持的趋势包括 1. 从扁平向量库转向“向量 摘要 结构化关系”的组合架构。 2. 从被动存储转向主动写入、记忆演化和生命周期管理。 3. 评测重点从单次召回扩展到长期一致性、时间推理、多跳推理和多模态记忆。 4. 记忆系统逐渐与持续学习、用户画像、多 Agent 协作结合。 “记忆策略由强化学习端到端优化”“记忆接口标准化”“经验进一步沉淀为模型参数”等方向在搜索结果中已有提及但截至目前缺乏足够的原论文细节属于**未充分验证或正在形成中的趋势**。三个案例放在一起后秘塔 MCP 的分工就比较清楚了metaso_web_search负责找到资料metaso_web_reader负责读取原文metaso_chat则负责在检索基础上完成综合问答。5 使用体验与工具选择实际使用下来秘塔 MCP 最明显的价值不是“多了一个搜索工具”而是把搜索、阅读和问答直接接入了 Codex 的任务流程。以前遇到不确定的信息通常要先打开浏览器搜索、筛选资料再复制给 Codex接入 MCP 后可以直接让 Agent 自己完成检索、读取和整理中间少了很多来回切换。三个 Tool 的定位也比较清楚metaso_web_search适合找资料尤其是论文、网页和文档检索。metaso_web_reader适合已经有目标链接需要进一步读取和提取正文。metaso_chat适合直接提出一个需要综合多份资料回答的问题。如果任务只是找资料用metaso_web_search就够了如果需要基于原文分析再接metaso_web_reader如果更关注最终结论而不是具体检索过程可以直接使用metaso_chat。整体来看秘塔 MCP 更适合需要频繁查论文、技术文档和最新公开资料的 Agent 工作流。它并不会替代 Codex 本身的推理和代码能力而是补上了外部信息获取这一环。
----中断获取陀螺仪数据)
