最新评测 · 跨会话记忆
换一个会话后，Agent 能否找回之前的信息？
关键结果
7 / 7
明确提示后得分上升
- 每种模式
- 20 题
- 任务记录
- 280 条
同一组题、同一环境，只改变是否明确提示 Agent 使用记忆。
- 无提示最佳
- Causal Memory · 13/20
- 有提示最佳
- Causal / Graph · 15/20
- 评测故障
- 0 次
DSHEval · Agent Benchmark
测 Agent，
看真实表现。
把 Agent 放进固定环境，完成真实任务。过程、状态和输出一起公开，让结果可以复查，也可以复现。
本期发现7/7 个 Agent 在被明确提醒使用记忆后，得分上升。
MEMORY BENCHMARK / 2026-08-28
换一个会话，Agent 还记得吗？
同一批 Agent 完成同一组 20 道题，对比用户不提醒和明确提醒使用记忆两种情况。
结论7/7 个 Agent 提示后得分上升；无提示表现差距明显。
Causal Memory65% / 75%
dsh-mnemon45% / 55%
dsh-noema30% / 70%
Mnemon（官方版）*30% / 40%
Graph Memory20% / 75%
Memory Evolve10% / 35%
dsh-memento5% / 65%
* Mnemon（官方版）来自 Mnemon 官方仓库，与 dsh-mnemon 共享核心实现，不代表完全独立的两种方案。
PROTOCOL / CURRENT TEST查看本次测试如何执行+
PROTOCOL / CURRENT BENCHMARK
唯一变量：是否提醒 Agent 使用记忆。
两组测试使用同一组 20 道题、同一模型和运行环境；提示不会透露工具名、答案或历史会话 ID。
直接提供原始对话和问题，不要求保存或检索记忆。
只增加通用记忆提示，不改变题目、答案和评分方式。
清空两个测试工作区，删除上一题留下的文件和会话。
发送 LoCoMo 原始对话；两种模式只有附加提示不同。
正常关闭 DSH，等待数据写入后重新启动。
删除会话 A 的工作区文件，在新会话提出同一道题。
只看答案和必需信息，不使用 LLM 评分。
RESULT / VERIFICATION
结果可复查，
尚待独立复测。
- 证据等级
- 03已完成测试
- 运行状态
- 0次评测故障
- 公开材料
- 2结果数据 · 评测代码
METHOD / 01—04查看四步评测流程从固定条件到公开结果+
一份结果，四次确认。
- 01固定测试条件
Agent 版本、运行环境、题集和评分规则，都在测试开始前锁定。
- 02执行并记录
让 Agent 完成真实任务，保留操作过程、状态变化和最终输出。
- 03复查并评分
按照预先公开的规则核对完整记录，再计算测试结果。
- 04公开可复查
发布得分、限制和复查材料；证据不足则明确标记“无法评测”。
LEVELS / 01—05查看五级验证标准当前结果位于 Level 03+
证据走到哪一步，结果就标到哪一级。
- 01REGISTERED已收录
身份、版本和基本信息已经登记。
- 02RUNNABLE可运行
已经在标准 DSH 运行环境中成功调用。
- 03EVALUATED已完成测试
已经按统一方案完成测试，并生成完整记录。
- 04SELF-TESTED已提交自测
开发者已经提交注明测试环境、可复现的自测结果。
- 05VERIFIED已独立复测
关键结果已经在独立环境中复测确认。
证据不足 缺少关键记录时标记“无法评测”，不把它当作零分。
安全边界 评测通过不等于可以安全使用；权限与高风险操作需单独检查。
CANDIDATES / NEXT
想看更多 Agent？
Top100 反映关注度，不代表能力排名。入选 Agent 仍需在统一环境和规则下完成测试。