本文是一篇关于AI Agent记忆系统的权威综述，由NUS、人大、复旦等多所高校联合完成。采用"形态-功能-动力学"三维框架分析200+论文，提出Token-level、Parametric、Latent三大记忆形态，取代传统二分法。系统阐述记忆形成、演化与检索的完整生命周期，展望生成式记忆、自动记忆管理等七大前沿方向，并提供Benchmark与开源框架资源，为AI Agent记忆研究提供全面参考。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

大家好，我是PaperAgent，不是Agent！

分享今年看到最系统&最新的Agents Memory综述，NUS&人大&复旦&北大&同济等联合出品：《Memory in the Age of AI Agents: A Survey》

• 用 “形态-功能-动力学” 三维框架把 200+ 篇最新论文一次讲透。
• 提出 新三大记忆形态：Token-level / Parametric / Latent，取代传统“长-短期记忆”二分法。
• 展望 7 大前沿：生成式记忆、自动记忆管理、RL 驱动、多模态、多 Agent 共享、世界模型、可信记忆。

1 为什么需要“Agent 记忆”？

图 1 给出一张“地图”，把 200+ 方法按形态 & 功能 & 动态一次定位：

LLM 再强，也怕“金鱼脑”——上下文一断就失忆。
把 LLM 包装成能持续交互、自我进化的 Agent，必须外挂一块可读写、可增长、可遗忘的记忆体。

2 预备知识：Agent 与记忆的形式化

图 2 用韦恩图厘清 Agent Memory vs **LLM Memory **vs RAG vs Context Engineering：

作者先把 Agent 抽象成部分可观测马尔可夫博弈，再把记忆定义为三元组运算符：

• Formation F：把原始交互 φ_t 提炼成记忆单元
• Evolution E：合并、去重、纠错、遗忘
• Retrieval R：按需查询

3 形态篇：记忆到底“长”什么样？

图 3 把 Token-level 再细拆成 1D-Flat / 2D-Planar / 3D-Hierarchical：

形态	载体	可读性	更新成本	典型场景
Token-level	文本、JSON、Graph	人类可读	低	对话机器人、法律审计
Parametric	LoRA、Adapter	不可读	中	角色扮演、代码生成
Latent	KV-cache、Embedding	机器可读	极低	端侧部署、多模态流

表 1 给出 60+ 代表性方法的横向对比（多模态、任务、结构）：

4 功能篇：Agent 到底“用”记忆做什么？

图 6 给出功能-时间双轴全景：

把“为什么记”拆成三大职能：

1. Factual Memory——“我知道什么”：用户画像、文档状态、世界知识。
2. Experiential Memory——“我学会什么”：成功/失败轨迹 → 策略 → 可执行技能。
3. Working Memory——“我现在想什么”：单轮压缩、多轮状态折叠、计划缓存。

experiential memory范式

表 4-6 分别对应三大功能的 100+ 方法速查表：

5 动力学篇：记忆如何“动”起来？

完整生命周期 = 形成 → 演化 → 检索 闭环，用一张“地铁图”串起 30+ 操作符：

• Formation 五板斧：语义摘要、知识蒸馏、结构化、潜空间编码、参数内化。
• Evolution 三件套：合并（Consolidate）、更新（Update）、遗忘（Forget）。
• Retrieval 四步曲：触发时机 → 查询构造 → 检索策略 → 后处理。

图 9 记忆演化机制蓝图

图 10 agentic系统中检索方法

6 资源篇：Benchmark & 开源框架速览

表 8 汇总 30 个记忆/终身学习/自演化评测集：

表 9 对比 20+ 开源框架（MemGPT / Mem0 / Zep / MemOS …）：

7 前沿篇：7 大风向标

1. 生成式记忆 > 检索式记忆

• 不再“查什么用什么”，而是“缺什么生什么”。

2. 自动记忆管理

• 把“写/删/改”做成 Agent 可调用的 Tool，让 LLM 自己管自己。

3. RL 全面接管记忆策略

• 从“人工拍阈值”到“策略网络端到端优化”。

4. 多模态记忆

• 视频、音频、传感器流统一进 Embedding 空间。

5. 多 Agent 共享记忆

• 角色-权限-隐私三权分立，防止“集体幻觉”。

6. 世界模型内存

• 从“缓存帧”到“可查询状态模拟器”。

7. 可信记忆

• 差分隐私、可验证遗忘、审计日志、用户级 GDPR 擦除。

Memory in the Age of AI Agents: A Survey Forms, Functions and Dynamicshttps://github.com/Shichun-Liu/Agent-Memory-Paper-Listhttps://arxiv.org/pdf/2512.13564

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】🆓