Memory in the Age of AI Agents

记忆已成为基于基础模型的智能体的一项核心能力，并将持续保持其关键地位。随着智能体记忆领域的研究迅速扩展并受到前所未有的关注，该领域也日益呈现出碎片化趋势。目前归属于“智能体记忆”范畴的各类研究工作，在研究动机、实现方式和评估方法上往往存在显著差异，而大量模糊定义的记忆相关术语进一步加剧了概念上的混乱。传统的分类方式（如长时/短时记忆）已难以充分涵盖当前智能体记忆系统的多样性。本文旨在全面梳理和呈现当前智能体记忆研究的整体图景。我们首先明确界定智能体记忆的研究范畴，并将其与大语言模型记忆、检索增强生成（RAG）以及上下文工程等相关概念区分开来。随后，我们从形态、功能和动态三个统一视角对智能体记忆展开系统分析。在形态层面，我们识别出三类主流的智能体记忆实现形式：基于词元的内存、参数化内存和潜在空间内存。在功能层面，我们提出一个更精细的分类体系，将记忆划分为事实性记忆、经验性记忆和工作记忆。在动态层面，我们深入探讨记忆如何随时间形成、演化和被检索。为支持实际开发，我们汇总整理了现有的记忆评测基准和开源框架。在总结现有成果的基础上，我们进一步展望了若干前沿研究方向，包括记忆自动化、与强化学习的融合、多模态记忆、多智能体记忆以及可信性问题等。我们希望本综述不仅能为现有研究提供参考，更能为未来构建以记忆为核心要素的智能体系统设计奠定概念基础。

当前基于基础模型的智能体（agent）中的记忆研究日益碎片化，不同工作在动机、实现和评估上差异巨大，且术语混乱，传统分类（如长/短期记忆）已无法涵盖现代记忆系统的多样性。论文试图系统梳理并重构智能体记忆的研究框架，明确其边界与核心要素，解决领域内概念不清、分类不足的问题。这是一个随着大模型智能体兴起而迅速凸显的重要新问题。

提出一个统一的三维分析框架来系统理解智能体记忆：形式（forms，包括token-level、parametric、latent memory）、功能（functions，细分为factual、experiential、working memory）和动态（dynamics，涵盖记忆的形成、演化与检索）。该框架超越了传统的简单二分法，为记忆系统的设计与评估提供了更精细、更具解释力的概念工具。

论文清晰区分了智能体记忆与LLM记忆、RAG、上下文工程等易混淆概念；系统总结了现有的记忆基准（benchmarks）和开源框架，具有很强的实践指导价值；并前瞻性地提出了记忆自动化、强化学习融合、多模态记忆、多智能体记忆和可信性等未来研究方向。虽为综述，但其提出的分类体系本身即为重要贡献，实验部分主要体现在对现有工作的系统归纳与对比分析，代码与数据集汇总可在相关开源项目中获取。

1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 2. MemGPT: Towards LLMs as Operating Systems 3. A Survey on Large Language Model based Agents 4. HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in HuggingFace 5. The Rise and Potential of Large Language Model Based Agents: A Survey