本文解读了 EMNLP 2025 关于大模型 Agent 记忆机制的最新趋势。核心观点指出，Agent 记忆正从简单的“被动记录”演变为支持规划与推理的“主动认知结构”。文章深入剖析了三篇代表性工作：PRIME 利用认知双记忆模型实现个性化交互，MemInsight 通过结构化属性增强记忆检索，以及 CFGM 采用粗细粒度记忆优化长程规划。未来，记忆与推理的深度耦合将成为提升 Agent 智能水平的关键技术方向。

---

一、技术趋势

随着大语言模型逐步从单轮问答系统演进为能够持续交互、执行复杂任务的智能体（Agent），记忆机制正成为Agent设计的核心组成部分：它不仅存储历史交互，更承载着长期偏好、任务经验和认知结构。随着技术演进，Agent记忆已从“被动记录过去”升级为“主动构建认知”，在规划、推理和行为一致性中发挥越来越关键的作用，成为提升智能体长期表现和个性化能力的核心动力。

**从历史存储走向认知结构：**智能体记忆不再仅仅是简单的历史记录或交互日志，而是逐步成为支持长期规划与行为一致性的认知基础。记忆开始承载抽象化的经验、偏好和策略，为推理和决策提供稳定参考。

分层与类型化记忆设计：研究普遍采用多层次、多类型记忆设计，例如情景记忆用于近期交互，语义记忆用于长期偏好，粗粒度经验与细粒度关键信息结合。这种结构化设计既提升了信息检索效率，也增强了记忆的可用性和泛化能力。

记忆与推理、规划深度耦合：记忆正在从独立模块转向推理和规划的核心驱动力。它不仅补充上下文，还直接影响推理路径、行动决策和失败后的反思机制，实现智能体在复杂任务中的行为一致性。

自主更新与持续演化：新一代智能体记忆强调自我演化能力，智能体能够根据交互结果、环境反馈和任务需求，主动筛选、重组或重写记忆内容，使记忆系统随时间持续优化，并支持长期学习和适应。

二、会议背景

EMNLP（The Conference on Empirical Methods in Natural Language Processing）是自然语言处理（NLP）与人工智能领域的国际顶级学术会议，由国际计算语言学协会（ACL）主办，自 1996 年创办以来，专注于以数据驱动方法推进语言理解与生成技术的发展。该会议被列入中国人工智能学会（CAAI）A 类推荐会议及中国计算机学会（CCF）B 类会议，在全球范围内享有极高的学术声誉，其收录论文的创新性与落地价值，长期引领 NLP 技术从理论探索走向产业应用。

EMNLP 2025新增了7个主题，包括安全与对齐（Safety and Alignment in LLMs）、AI/LLM 智能体（AI/LLM Agents）、代码模型（Code Models）、神经符号方法（Neurosymbolic Approaches to NLP）、数学符号逻辑推理（Mathematical, Symbolic, and Logical Reasoning）、泛化与迁移（Generalizability and Transfer）、LLM 效率（LLM Efficiency）。这些新轨道的设立充分体现了当前 NLP 领域的技术热点和发展趋势。特别是AI/LLM智能体（AI/LLM Agents）主题的拓展与近年来会议论文的趋势相呼应：研究者正从 传统的短序列建模和静态任务评测 向 长上下文、多轮交互和系统级行为建模 转变。与传统简单将历史对话或先前状态作为上下文拼接的方式不同，部分工作开始尝试引入结构化的记忆表示、层次化的经验存储机制以及动态更新策略，以提升语言系统在多轮任务、跨阶段规划与长期一致性上的能力。记忆机制不再仅是“存储历史”，而是向能够支持更复杂认知结构与任务关联的方向演进。下文代表性论文部分会围绕这些方面展开解读。

三、代表工作

在EMNLP 2025的论文集中，有多项工作围绕智能体（LLM Agent）如何有效利用历史信息构建长期记忆展开研究。这些论文不仅关注记忆机制的基础存储问题，还探索了结构化记忆的表示方式、不同粒度的记忆设计，以及记忆如何支持更复杂的行为规划与推理。以下是三篇具有代表性的工作解读：

3.1 PRIME: Large Language Model Personalization with Cognitive Dual-Memory and Personalized Thought Process

该论文由来自美国密歇根大学与美国东北大学的研究团队联合发表。该工作关注LLM个性化问题，即如何让大语言模型在输出文本时更好地反映某一特定用户的历史偏好、观点与长期特征，而不是仅依赖一般性语言模式。传统的个性化方法缺乏一个统一的理论框架来解释为何某些个性化记忆方案有效。文章将经典认知心理学中的 双记忆模型（dual-memory model）引入 LLM 个性化，并通过统一框架 PRIME（Personalized Reasoning with Integrated Memory）整合这两类机制，同时引入受到“慢思考（slow thinking）”启发的personalized thinking能力，以增强生成过程中对长期用户信息的利用。

图1.PRIME框架：左图为双记忆模型，右图为包含personalized thinking的测试时过程

认知双记忆建模：将人类认知中的两类核心记忆机制引入 LLM 个性化体系：一方面，通过情景记忆（Episodic Memory, EM）对用户历史事件与交互过程进行建模，并采用近期优先的召回策略以刻画短期上下文与具体经历；另一方面，通过语义记忆（Semantic Memory, SM）对用户稳定的长期观念与偏好进行抽象表示，利用面向任务的参数化微调进行编码，从而为模型提供持续、结构化的个性化认知基础 。

个性化思维（personalized thinking）：基于 “慢思考”思维链（Chain-of-Thought，CoT）策略，通过自蒸馏技术生成 “用户对齐的推理链”，避免通用推理导致的 “偏离用户视角” 问题。

PRIME框架：把情景记忆和语义记忆系统化组合，并通过个性化思维协调二者，使大模型在生成响应时，不仅仅直接输出答案，而是利用两种记忆来指导思考顺序和内容，先生成与用户相关的思维链，从而生成更符合用户的响应。

实验环节团队采用自建Change My View (CMV)数据集与公开LaMP（个性化任务，包含引文识别、电影标签、产品评分、新闻标题生成和学术标题生成）数据集进行验证，其中CMV数据集源自Reddit论坛，含41位用户的133条测试查询、7514条历史交互，聚焦“长上下文说服性推荐”任务。

图2.PRIME在自建数据集CMV上的实验结果

图3. PRIME在LaMP数据集上的实验结果

在CMV和LaMP数据集上，PRIME表现均明显优于无个性化的通用推理方法。实验还发现语义记忆通常比情景记忆更稳定有效，且简单融合两类记忆并不总是优于只使用语义记忆，在缺乏个性化推理时，情景记忆与语义记忆之间的潜在冲突可能抵消收益。PRIME 在不同基础模型上的效果一致提升，体现出良好的模型无关性和鲁棒性；在双记忆的基础上引入个性化思维后，PRIME几乎在所有设置下取得最优或接近最优表现，且案例分析进一步表明其推理过程能够有效贴合目标用户画像，说明个性化推理至关重要。

3.2 MemInsight: Autonomous Memory Augmentation for LLM Agents

该研究由AWS AI Labs、乔治华盛顿大学、开罗大学联合团队提出，旨在解决现有Agent记忆多为非结构化存储，检索时依赖向量相似性易受噪声干扰，且记忆属性需人工定义难以适配多任务场景的问题。团队提出MemInsight自动记忆增强框架，该方法不依赖人工定义的记忆结构，而由系统自身从历史交互中自动提取语义丰富的属性来增强记忆，并利用这些增强的结构来提升检索与推理能力。

图 4. MemInsight框架：包含属性挖掘、标注和记忆检索

MemInsight 主要包含以下步骤：

属性挖掘（Attribute Mining）与标注（Annotation）：通过LLM自动从对话中挖掘结构化属性，包括“实体中心”或“对话中心”属性，并支持“回合级”“会话级”两种粒度，并按属性与当前记忆的相关性排序，关键属性排在前面，最后将属性标注到记忆实例。

双路记忆检索机制：结合“属性匹配检索”与“嵌入相似性检索”，既可以通过属性筛选精准定位目标记忆，又能通过向量相似度计算兼顾检索的全面性，实现精度与效率的平衡。属性匹配检索以当前任务的显式属性作为过滤条件，仅召回在属性空间上与任务需求一致的记忆，从而缩小检索范围、降低噪声。嵌入相似性检索进一步将增强后的属性表示映射为向量，通过余弦相似度计算召回 Top-k 最相似的记忆，实现对语义相关性的精细排序与补充筛选。

图 5. MemInsight在LoCoMo数据集的实验结果

图 6. MemInsight在LLM-REDIAL数据集的实验结果

团队在LLM-REDIAL（对话推荐任务）与LoCoMo（多会话问答任务与事件摘要）两个数据集进行验证。在问答任务中，MemInsight 通过属性增强与向量相似性检索明显提升了整体准确性，并在单跳、时间推理和对抗性问题上表现出更好的上下文利用能力，同时在多数问题类型上优于基线方法，验证了增强后的记忆结构对信息检索与回答生成质量的提升作用。对于对话推荐任务，MemInsight在Recall@K、NDCG@K 等指标上普遍优于基线方法，并在推荐说服力指标上取得约14%的提升。在事件摘要评估中，MemInsight 在相关性、连贯性与一致性等评价指标上也获得了优于基线的表现，同时证明在减少检索记忆量的情况下依然保持较高摘要质量。这些实验结果表明，结合结构化增强和双路记忆检索机制能够在不同任务类型中提高 LLM Agent对历史上下文的利用效率与最终性能。

3.3 Coarse-to-Fine Grounded Memory for LLM Agent Planning

该研究由国内高校与企业联合团队发表，核心目标是解决LLM Agent在长程规划任务中面临的“记忆过载”与“细节缺失”矛盾，即细粒度记忆导致推理缓慢、粗粒度记忆导致规划不符合实际约束的问题。团队提出面向LLM Agent规划的粗细粒度记忆框架（Coarse-to-Fine Grounded Memory，CFGM）。该机制在训练阶段将环境经验先抽象为粗粒度的焦点信息，然后提取可操作的混合粒度提示，以在推理时支持更灵活的计划生成。

图 7. CFGM框架

记忆收集及应用分为三个阶段：

粗粒度焦点（Coarse-grained focus points）：在训练任务中，分析环境信息生成宏观任务焦点，用于引导高质量经验收集

混合粒度提示（Hybrid-grained experience-wise tips）：对比成败轨迹，提从每个经验中炼 “通用原则 + 场景技巧” 的可操作性更强的混合粒度提示信息。

细粒度关键信息自省（Fine-grained key-info adaptive planning）：在推理阶段根据当前环境状态检索相关经验和提示，当推理出现异常时，以当前短期信息为细粒度要点，执行自问自答（Self-QA）反思纠错

图 8. CFGM实验结果

团队在AlfWorld（虚拟家务任务）、WebShop（电商交互）与 ScienceWorld（文本式科学实验）三个数据集上进行验证。实验结果表明，在这三类环境中，CFGM 均显著优于各基线策略：在 AlfWorld 上成功率超过基线约 10.4%、在 WebShop 上提高约 20%、在 ScienceWorld 上提升约 31%，展现出更强的任务完成能力和更稳健的规划表现。消融研究进一步表明，CFGM 的各个组成部分（粗粒度焦点驱动的经验收集、混合粒度经验提示提取、细粒度关键信息反思机制）均对整体性能有增益，整体框架的集成取得最高效果，并且在不同规模和类型的LLM Agent上表现出良好的泛化性。这些结果验证了粗到细层次记忆机制在多样规划任务中提高经验质量、多样性与错误修正能力的有效性。

四、趋势总结及未来展望

从EMNLP 2025的三篇代表性研究可以看出，LLM Agent记忆技术已完成从“存历史”到“建认知”的关键跨越，分层架构、结构化图谱、自主管理成为核心设计思路，记忆也正式从辅助模块升级为支撑Agent规划、推理与行为一致性的核心组件。

未来，Agent记忆技术将进一步向记忆与推理的深度耦合、多智能体记忆协同、记忆隐私保护三大方向演进，其中记忆与推理的深度耦合将实现“推理反哺记忆更新”的闭环，多智能体记忆协同将通过“通用记忆共享+个性化记忆私有”的模式提升协作效率，而记忆隐私保护则通过联邦学习、差分隐私等技术解决用户数据泄露风险。这些演进方向不仅将推动学术研究的深入，更将为智能客服、个性化推荐、具身智能等产业场景提供更核心的技术支撑，让“有认知、会思考”的LLM Agent真正成为人类的智能伙伴。

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉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】🆓**

​