RAG

概述 事实记忆 (Factual Memory) 负责存储和管理智能体的知识性信息，包括： 世界知识 (事实、概念、关系) 用户特定信息 (偏好、历史、个人资料) 任务相关知识 (领域知识、规则) 与 RAG 的静态知识库不同，Agent 的事实记忆支持动态更新和个性化演化。 Token-level 事实记忆 核心思想: 使用自然语言等离散符号显式存储记忆，便于人类理解和干预。 代表性论文 1. Generative Agents (2023) 论文: Generative Agents: Interactive Simulacra of Human Behavior 链接: arXiv:2304.03442 核心思想: 提出完整的生成式智能体架构 记忆流 (Memory Stream): 记录所有观察和经历的完整日志 反思 (Reflection): 将记忆综合成高层次的推理 规划 (Planning): 将反思转化为行为计划 意义: 开创了基于自然语言记忆的智能体架构，被后续大量工作引用 2. MemGPT (2023) 论文: MemGPT: Towards LLMs as Operating Systems 链接: arXiv:2310.08560 核心思想: 将 LLM 比作操作系统，引入分层存储管理 区分主上下文 (有限) 和外部上下文 (无限) 通过函数调用在两层之间移动数据 意义: 解决了 LLM 上下文长度限制问题，实现了"无限"上下文 3. HippoRAG (2024) 论文: HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models 链接: arXiv:2405.14831 核心思想: 受海马体 (Hippocampus) 记忆理论启发 结合语义词索引和拓扑图索引 模仿人脑的情景记忆和语义记忆双系统 意义: 将认知神经科学理论引入 LLM 记忆设计 4. Mem0 (2025) 论文: Mem0: Building production-ready ai agents with scalable long-term memory 链接: arXiv:2504.19413 核心思想: 生产级可扩展长期记忆系统 自适应个性化，跨应用保持一致性 支持多层级存储 (向量、键值、图数据库) 意义: 第一个面向生产环境的开源记忆框架 5. Memory-R1 (2025) 论文: Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning 链接: arXiv:2508.19828 核心思想: 使用强化学习训练记忆管理策略 智能体学习何时存储、更新、检索和遗忘 通过奖励信号优化记忆操作 意义: 将 RL 引入记忆管理，实现自适应记忆策略 6. A-MEM (2025) 论文: A-MEM: Agentic Memory for LLM Agents 链接: arXiv:2502.12110 核心思想: 将记忆管理建模为智能体任务 记忆智能体与任务智能体协作 支持复杂的多跳记忆检索 意义: 记忆系统本身也采用智能体架构 7. MAGMA (2026) 论文: MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents 链接: arXiv:2601.03236 核心思想: 基于多图结构的记忆架构 语义图、情景图、实体图分离 图神经网络增强记忆检索 意义: 结构化表示提升记忆的组织性和检索效率 8. Memoria (2025) 论文: Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI 链接: arXiv:2512.12686 核心思想: 面向个性化对话的可扩展记忆框架 多层级记忆抽象 (原始、摘要、知识) 增量式记忆更新机制 意义: 解决了长期对话中的记忆可扩展性问题 Parametric 事实记忆 核心思想: 将知识编码到模型参数中，实现隐式存储。 ...