Memory in the Age of AI Agents

ArXiv ID: 2512.13564
作者: Yuyang Hu, Wangchunshu Zhou, Yixin Liu 等 47 位作者
发布日期: 2025-12-15
分类: context-engineering

摘要

记忆已成为（并将持续是）基础模型智能体的核心能力。随着智能体记忆研究的快速扩展和前所未有的关注，该领域也变得日益碎片化 – 现有工作在动机、实现和评估协议上存在显著差异。传统的长期/短期记忆分类已不足以涵盖当代智能体记忆系统的多样性。

本文提供了一个全面的、多视角的智能体记忆研究全景，明确界定了智能体记忆的范畴，并将其与 LLM 记忆、RAG 和上下文工程等相关概念区分开来。

主要贡献

1. 三视角分析框架

提出了一个从三个维度理解智能体记忆的统一框架：

形式视角 (Forms)

• Token 级记忆：基于上下文窗口的显式信息
• 参数级记忆：编码在模型权重中的隐式知识
• 潜在记忆：中间表示层的信息状态

功能视角 (Functions)

• 事实记忆：客观知识和信息的存储
• 经验记忆：历史交互和行为模式
• 工作记忆：当前任务的临时信息管理

动态视角 (Dynamics)

• 记忆形成：新信息的编码和存储
• 记忆演化：现有记忆的更新和重组
• 记忆检索：根据需求提取相关信息

2. 概念边界的明确划分

本文清晰区分了几个常被混淆的概念：

概念	定义	与智能体记忆的关系
LLM 记忆	模型权重中的知识	智能体记忆的子集
RAG	外部知识检索	智能体记忆的一种实现方式
上下文工程	优化 LLM 输入信息	与智能体记忆有交叉但范围不同
智能体记忆	智能体历史经验的管理系统	最广义的概念

3. 基准和框架编纂

汇编了：

• 记忆系统评估基准
• 开源记忆框架
• 研究资源索引

方法概述

作为综述论文，本文的方法论重点在于建立系统的分类体系：

文献分析范围

• 覆盖 2023-2026 年间的记忆相关研究
• 包含学术论文和开源项目
• 横跨多个应用领域

前沿研究方向识别

论文识别了以下新兴研究前沿：

1. 记忆自动化：自主决定何时、如何管理记忆
2. 强化学习集成：通过 RL 优化记忆管理策略
3. 多模态记忆：跨模态的记忆表示和检索
4. 多智能体记忆：智能体间的记忆共享和协作
5. 可信记忆：记忆的准确性、隐私和安全

实验结果

作为综述性质的论文，本文的价值在于：

• 系统化了一个快速增长且碎片化的领域
• 提供了明确的概念框架和术语标准
• 识别了关键的研究空白和未来方向
• 编纂了实用的基准和资源目录

个人评价

这是一篇里程碑式的综述。47 位作者的大规模协作本身就说明了智能体记忆研究的重要性和活跃度。三视角框架（形式-功能-动态）的提出非常巧妙，为一个混乱的领域提供了急需的概念清晰度。

特别有价值的是对”智能体记忆”与”LLM 记忆”、”RAG”、”上下文工程”之间边界的明确划分。在这些概念经常被混用的当下，这种精确的概念界定对于推动研究进展至关重要。

对于研究者和工程师来说，这篇综述是进入智能体记忆领域的最佳起点。

---

评分: 4.5/5.0

分类置信度: High