概述
Agent Memory（智能体记忆）是构建基础模型智能体的核心支柱，支撑着智能体执行长程推理、持续学习和与复杂环境有效交互的能力。本综述基于复旦大学研究团队的 Agent-Memory-Paper-List 仓库，系统梳理了这一快速发展领域的研究脉络。
与相关概念的区别
Agent Memory 与以下概念存在本质区别：
| 概念 | 核心特征 | 与 Agent Memory 的区别 |
|---|---|---|
| LLM Memory | LLM 自身的参数化知识 | Agent Memory 是显式的外部记忆系统 |
| RAG | 检索增强生成，基于外部知识库 | RAG 是静态检索，Agent Memory 支持动态更新和演化 |
| Context Engineering | 优化输入上下文 | Agent Memory 关注跨会话的长期记忆保持 |
统一分类框架
该领域研究通过三个维度进行组织：
1. 形式 (Forms) - 记忆载体
- Token-level: 显式、离散的自然语言表示
- Parametric: 隐式的模型参数权重
- Latent: 隐藏状态表征
2. 功能 (Functions) - 记忆用途
- Factual Memory (事实记忆): 存储知识和事实信息
- Experiential Memory (经验记忆): 记录洞察、技能和经验
- Working Memory (工作记忆): 主动上下文管理
3. 动态 (Dynamics) - 记忆演化
- Formation (形成): 信息提取和编码
- Evolution (演化): 巩固与遗忘机制
- Retrieval (检索): 访问策略
发展脉络
第一阶段：基础探索期 (2021-2023)
核心特征: 从知识编辑和模型编辑技术起步，逐步探索如何让 LLM 具备长期记忆能力。
代表性工作:
- 知识编辑:
Editing Factual Knowledge in Language Models(2021) 开启了通过修改模型参数来更新知识的先河 - 记忆架构:
Memoria(2023) 提出受人类启发的记忆架构，解决"灾难性遗忘"问题 - 工具使用:
Toolformer(2023) 让语言模型自学使用工具，扩展了记忆边界 - 生成式智能体:
Generative Agents(2023) 展示了具备完整记忆系统的交互式智能体
技术路线分化:
- 参数化路线: 通过模型编辑直接修改权重 (如 ELLA, K-Adapter)
- 非参数化路线: 外部存储 + 检索 (如 RET-LLM, MemGPT)
第二阶段：架构成熟期 (2023-2024)
核心特征: 形成完整的记忆系统架构，引入认知科学理论。
重要进展:
2.1 多层次记忆架构
- MemGPT (2023): 将 LLM 视为操作系统，引入分层存储管理
- HippoRAG (2024): 受神经生物学启发的长期记忆模型
- AriGraph (2024): 结合知识图谱世界模型与情景记忆
2.2 个性化与角色扮演
- Character-LLM (2023): 可训练的角色扮演智能体
- ChatHaruhi (2024): 动漫角色复活，展示记忆对个性的塑造
- AI PERSONA (2024): 终身个性化 LLM
2.3 经验学习与技能积累
- ExpeL (2023): LLM 智能体作为经验学习者
- Reflexion (2023): 语言智能体的语言强化学习
- Buffer of Thoughts (2024): 思维增强推理
第三阶段：系统化与工程化 (2024-2025)
核心特征: 从理论研究走向工程实践，出现大量生产级记忆系统。
3.1 自进化智能体
- SEAgent (2025): 自进化计算机使用智能体
- Darwin Godel Machine (2025): 开放式自我改进智能体进化
- Alita (2025): 最小预定义、最大自进化的通用智能体
3.2 强化学习驱动的记忆
- Memory-R1 (2025): 通过强化学习增强 LLM 智能体的记忆管理能力
- Mem-α (2025): 通过强化学习学习记忆构建
- MemRL (2026): 基于情景记忆的运行时强化学习
3.3 多智能体记忆系统
- G-Memory (2025): 多智能体系统的分层记忆追踪
- MIRIX (2025): 面向 LLM 智能体的多智能体记忆系统
- Intrinsic Memory Agents (2025): 通过结构化上下文记忆实现异构多智能体系统
3.4 记忆与推理的融合
- MEM1 (2025): 协同记忆与推理的长程智能体
- MemAgent (2025): 基于多对话 RL 的记忆智能体重塑长上下文 LLM
- PRIME (2025): 规划与检索集成记忆
核心趋势分析
趋势 1: 从静态存储到动态演化
早期研究将记忆视为静态知识库，最新研究强调记忆的动态性:
- 记忆的自动整理与压缩 (如 MOOM, SGMem)
- 基于遗忘曲线的记忆衰减机制
- 记忆的巩固与抽象 (如 Hindsight is 20/20)
趋势 2: 从单一模态到多模态融合
- MemVerse (2025): 多模态终身学习智能体记忆
- Video-RAG: 视觉对齐的检索增强长视频理解
- MemoryVLA (2025): 视觉-语言-动作模型中的感知认知记忆
趋势 3: 从显式编程到自主学习
- Agentic Context Engineering (2025): 自改进语言模型的上下文演化
- SkillWeaver (2025): 通过发现和磨练技能实现自改进
- MemGuide (2025): 面向目标的意图驱动记忆选择
趋势 4: 从孤立记忆到协作记忆
- Memory Sharing (2024): LLM 智能体间的记忆共享
- OASIS (2024): 百万级智能体的开放社会交互模拟
- RCR-Router (2025): 多智能体系统的结构化记忆路由
论文分类导航
本综述将论文按功能分为三大类：
- 事实记忆 (Factual Memory) - 存储和检索知识性信息
- 经验记忆 (Experiential Memory) - 学习和积累技能、洞察
- 工作记忆 (Working Memory) - 管理和优化上下文
引用
本综述基于以下资源整理：
Memory in the Age of AI Agents: A Survey
Shichun Liu et al., arXiv:2512.13564, 2025
GitHub: Agent-Memory-Paper-List
最后更新: 2026年3月15日