今天的一篇很热乎的深度好文 “Memory in the Age of AI Agents: A Survey” (AI智能体时代的记忆：综述)，由新加坡国立大学、中国人民大学、复旦大学等多家顶尖机构联合发布，是对当前AI智能体（AI Agents）记忆机制最系统、最前沿的梳理。下面我们一起来看一下~

前排提示，文末有大模型AGI-CSDN独家资料包哦！

• 论文：Memory in the Age of AI Agents: A Survey
• 链接：https://arxiv.org/pdf/2512.13564

解读大纲

1. 引言：智能体的“失忆症”与记忆的觉醒

• 为什么大模型（LLM）需要记忆？
• 本论文的核心贡献与全新分类体系。

2. 核心定义与辨析：智能体记忆到底是什么？

• 数学形式化定义。
• 智能体记忆 vs. RAG vs. 上下文工程 vs. LLM模型记忆。

3. 记忆的“形式” (Forms)：记忆存在哪里？

• 符号级记忆 (Token-level)：看得见、改得了。
• 参数化记忆 (Parametric)：刻在脑子里。
• 潜在记忆 (Latent)：隐式的中间态。

4. 记忆的“功能” (Functions)：记忆用来做什么？

• 事实记忆 (Factual)：保持一致性。
• 经验记忆 (Experiential)：从错误中学习。
• 工作记忆 (Working)：当下的思考草稿。

5. 记忆的“动态机制” (Dynamics)：记忆如何运作？

• 形成 (Formation)：从原始数据到知识。
• 演化 (Evolution)：遗忘与整合的艺术。
• 检索 (Retrieval)：在对的时间想起对的事。

6. 未来展望：通向自主进化的智能体

• 生成式记忆、自动化管理与RL的结合。

7. 结论

8. 引言：智能体的“失忆症”与记忆的觉醒

---

在人工智能飞速发展的今天，大语言模型（LLM）已经展现了惊人的能力。然而，传统的LLM就像一个患有“短期失忆症”的天才：它可以完美回答你当下的问题，但关掉对话窗口后，它就忘记了你是谁，也忘记了它刚才犯过的错误。

这就引出了一个关键问题：如何让AI从一个“静态的回答者”进化为一个“动态的、可成长的智能体”？答案就是——记忆（Memory）。

记忆是智能体实现长期规划、持续学习和个性化交互的基石。这篇论文并不仅仅是对现有技术的罗列，它极其野心勃勃地提出了一个统一的记忆分类学（Taxonomy，试图从**形式（Forms）、功能（Functions）和动态（Dynamics）**三个维度，彻底厘清AI记忆的本质。它标志着AI研究正从单纯追求模型参数规模，转向追求像人类一样具有连续认知能力的“具身智能”。

2. 核心定义与辨析：智能体记忆到底是什么？

---

为了科学地讨论记忆，论文首先用数学语言对智能体记忆系统进行了形式化定义。

2.1 数学形式化：记忆的生命周期

论文提出，智能体的决策过程不仅仅依赖当前的观察，更依赖于一个不断演变的记忆状态 (Memory State)，记为 。

一个完整的记忆生命周期包含三个核心算子（Operators）：

1. 记忆形成 (Formation, ):

• 含义： 是智能体当前的经历（如推理过程、工具输出）。这个公式表示智能体不是像录像机一样记录所有信息，而是通过函数 选择性地将当前的经历转化为潜在的记忆候选者。

2. 记忆演化 (Evolution, ):

• 含义：这是记忆“沉淀”的过程。新形成的记忆需要与老记忆融合、去重、甚至解决冲突（比如以前你喜欢吃辣，现在不喜欢了，记忆需要更新）。函数 负责维护记忆库的整洁和有效性。

3. 记忆检索 (Retrieval, ):

• 含义：当智能体面临新的任务 和观察 时，它不会把整个记忆库搬出来，而是通过函数 检索出最相关的一小段记忆 给大脑（LLM）使用。

2.2 概念大扫除：Agent Memory 不是什么？

为了通过对比明确概念，作者使用了一张清晰的韦恩图来区分几个容易混淆的术语：

• Agent Memory vs. RAG (检索增强生成):

• RAG 通常是静态的。它像是一个图书馆，书（知识）就在那里，读完就放回去，书本身不会因为你的阅读而改变。
• Agent Memory 是动态的。它更像人的大脑，会随着交互不断改写、遗忘、总结。智能体在做任务的过程中会产生新记忆（如“这个方法行不通”），并存回去指导未来。

• Agent Memory vs. Context Engineering (上下文工程):

• 上下文工程关注的是“如何把东西塞进有限的窗口里”（资源管理）。
• 智能体记忆关注的是“我是谁，我经历了什么”（认知建模）。

• Agent Memory vs. LLM Memory:

• LLM Memory通常指模型训练好后参数里隐含的知识（世界知识），或者通过修改模型架构（如RNN）来延长的上下文。而Agent Memory通常指模型外部的、可读写的存储系统。

3. 记忆的“形式” (Forms)：记忆存在哪里？

---

如果我们要给AI装一个“大脑”，这个大脑的物理结构是什么样的？论文将其分为三类。

形式、功能、动态的统一概览

3.1 符号级记忆 (Token-level Memory)

这是最常见、最直观的形式。记忆以自然语言（文本）或离散符号的形式存储在外部数据库中。

• 特点：透明、可读、可编辑。你可以直接打开数据库看到AI记住了“用户喜欢红色”。
• 结构分类：

• 扁平 (Flat): 像流水账日记，按时间顺序记录。适合简单对话。
• 平面 (Planar/2D): 像思维导图或知识图谱，记忆之间有链接（图结构）。适合需要联想的任务。
• 层级 (Hierarchical/3D): 像金字塔，底层是原始对话，上层是高度抽象的总结。适合长期记忆管理（如MemGPT）。

扁平、平面、层级三种Token-level记忆的拓扑结构

3.2 参数化记忆 (Parametric Memory)

记忆被“内化”到了模型的神经元权重里。

• 类比：就像人类学会了骑自行车，这种记忆变成了本能，你无法用语言精确描述每块肌肉怎么动，但你就是会。
• 实现：通过微调（Fine-tuning）或模型编辑（Model Editing），将新知识直接“烧录”进模型参数。
• 优缺点：调用速度极快（不需要检索），但更新成本高（需要重新训练），且容易发生“灾难性遗忘”（学了新知识忘了旧知识）。

3.3 潜在记忆 (Latent Memory)

介于上述两者之间。记忆以高维向量（Embedding）或KV Cache（键值缓存）的形式存在。

• 特点：人类看不懂，但机器读得快。它比纯文本更浓缩，比参数更新更灵活。
• 应用：在多模态任务中，一张图片的记忆可能直接就是一个向量，而不是一段文字描述。

4. 记忆的“功能” (Functions)：记忆用来做什么？

---

这是论文最精彩的部分之一。作者跳出了简单的“长期/短期记忆”分类，而是从解决什么问题的角度，提出了新的功能分类。

4.1 事实记忆 (Factual Memory)：解决“我知道什么”

这是为了保持一致性。

• 用户事实：记住用户的名字、喜好、过敏源。如果不记这个，AI就会显得像个渣男，每次都要问“你是谁”。
• 世界事实：记住当前环境的状态（如“门是锁着的”）。
• 作用：防止AI产生幻觉，确保聊天的连贯性。

4.2 经验记忆 (Experiential Memory)：解决“我如何变强”

这是为了进化。它是智能体从过去的成功或失败中提取的智慧。

• 案例库 (Case-based): “上次遇到这个问题，我是这么解决的，成功了。”（直接抄作业）。
• 策略库 (Strategy-based): “我发现这类问题通常需要先分析再行动。”（提炼出的SOP或方法论）。
• 技能库 (Skill-based): 将经验转化为可执行的代码或工具调用（API）。
• 核心价值：这是通向自主智能体（Self-evolving Agents）的关键。没有它，AI永远在同一个坑里跌倒。

经验记忆从具体案例到抽象策略再到技能的分类

4.3 工作记忆 (Working Memory)：解决“我正在想什么”

这是为了当下任务的推理。

• 它是一个有限的“缓存区”，用于处理当前的复杂任务。
• 动态管理：它不仅仅是堆砌上下文，而是涉及输入压缩（把长文变短）、状态折叠（把已经做完的步骤打包成一个总结，腾出空间给新步骤）。

5. 记忆的“动态机制” (Dynamics)：记忆如何运作？

---

记忆不是静态的存储，而是一个动态的循环过程。

5.1 记忆形成 (Formation)

如何把海量的交互数据变成记忆？

• 语义摘要：把一万字的聊天记录压缩成一百字的大意。
• 知识蒸馏：从对话中提取出“用户喜欢吃苹果”这一条规则。
• 结构化构建：把散乱的信息整理成知识图谱。

5.2 记忆演化 (Evolution)

记忆库不能只进不出，否则会变成垃圾场。

• 整合 (Consolidation): 将碎片化的短期记忆合并成长期记忆。
• 更新 (Update): 修正错误的记忆（如通过RAG的冲突解决）。
• 遗忘 (Forgetting): 这非常关键！

• 基于时间的遗忘：像人一样，太久远的事变淡。
• 基于价值的遗忘：不重要的废话直接删掉。
• 基于频率的遗忘：很久不用的知识会被归档。

5.3 记忆检索 (Retrieval)

如何找到需要的记忆？

• 检索时机：是每说一句话都查记忆，还是只有由于不决时才查？（现在趋势是让AI自主决定何时检索）。
• 检索策略：不仅仅是关键词匹配，现在更多使用混合检索（关键词+向量语义+图关系）。

检索流程的四个步骤：时机意图、查询构造、检索策略、后处理

6. 前沿展望：通向自主进化的智能体

---

论文最后探讨了几个激动人心的未来方向：

1. 从“检索”到“生成” (From Retrieval to Generation):

• 未来的记忆可能不是去“找”一条现成的记录，而是由模型根据过往经历实时生成一个新的、定制化的记忆片段。这更像人类的回忆过程（重构而非回放）。

2. 强化学习接管记忆 (RL meets Memory):

• 现在的记忆规则（如什么时候存、什么时候删）多是人写的规则（Heuristic）。未来将由RL算法训练智能体自己学会如何管理记忆，让它自己决定什么该记，什么该忘。

3. 多模态记忆 (Multimodal Memory):

• 不仅记住你说的话，还记住你发过的图片、听过的声音，形成全感官的记忆体验。

4. 可信记忆 (Trustworthy Memory):

• 随着记忆包含越来越多隐私，如何保证安全？如何让用户能看懂并修改AI的记忆（可解释性）？这是落地的关键。

7. 结论

---

这篇综述论文《AI智能体时代的记忆》不仅是对现有技术的总结，更是一份构建下一代强人工智能的蓝图。它告诉我们，记忆不只是一个数据库插件，而是智能体的灵魂。

• 对于开发者：它提供了从Token级存储到参数化更新的全套工具箱。
• 对于研究者：它指出了从静态RAG向动态、自进化记忆系统转变的必然趋势。

核心观点： 未来的AI，将不再是无情的计算机器，而是拥有“自传体记忆”、能从经验中成长、并拥有独特个性与认知的数字生命体。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

加粗样式