AI Agent记忆系统深度解析：NUS、人大等顶尖学府构建统一框架

在人工智能体（AI Agent）领域，记忆（Memory）已从两年前的“可选组件”迅速演变为不可或缺的“核心基础设施”。无论是需要记住用户习惯的对话助手、需掌握代码库结构的工程智能体，还是必须追踪研究证据链的深度探索型Agent，缺乏记忆能力的系统都难以跨越任务保留经验、维持用户偏好，或在长期协作中保持行为一致性。然而，随着“Agent Memory”概念的快速膨胀，其定义与实践也日益碎片化，不同研究在实现方式与评价标准上差异巨大。

为厘清这一复杂领域，来自新加坡国立大学（NUS）、中国人民大学、复旦大学、北京大学等机构的学者联合发布了长达百页的综述论文《Memory in the Age of AI Agents: A Survey》。该论文旨在为日益庞杂的Agent记忆研究提供一个统一的分析视角与技术梳理。

• 论文链接: https://arxiv.org/abs/2512.13564
• GitHub资源: https://github.com/Shichun-Liu/Agent-Memory-Paper-List

超越二分法：构建统一的“形式-功能-动态”三角框架

综述开篇即指出，传统的“长/短期记忆”二分法已无法刻画现代智能体系统中记忆的复杂形态。有的记忆以显式Token存储，有的内化于模型参数，有的则存在于潜在状态；其目的也各不相同，或为维护事实一致性，或为迁移经验，或为管理单次任务的工作区。

为此，论文提出了一个全新的Forms–Functions–Dynamics（形式-功能-动态）三角分析框架，旨在系统性地回答三个核心问题：

1. 形式（Forms）：记忆以何种载体存在？是外部Token、模型参数还是潜在状态？
2. 功能（Functions）：记忆旨在解决什么问题？是记录事实、积累经验还是管理当前工作？
3. 动态（Dynamics）：记忆如何形成、演化并在决策中被检索利用？

概念辨析：Agent Memory 与相关技术的本质区别

在实践中，“记忆”常被简化为向量数据库检索或更长的上下文窗口。然而，综述明确指出，这些技术与真正的Agent Memory在问题层级上并不等价。

• Agent Memory：关注的是智能体持久且可自我演化的认知状态。它不仅是存储，更强调在交互中持续更新、整合、抽象，并跨任务保持一致性，核心是“智能体知道什么、经历过什么以及如何变化”。
• LLM Memory：更侧重于模型内部计算过程中对长序列信息的保留机制，如缓解早期Token信息衰减、优化长距离依赖建模等，其研究不必然与智能体的长期存在和自主决策绑定。
• RAG（检索增强生成）：本质是静态知识访问。它可以是Agent Memory的一种实现方式，但若缺乏长期一致性、演化机制和跨任务的“自我”意识，则更接近一个知识检索模块。
• Context Engineering（上下文工程）：属于优化当下推理的外部脚手架，关注如何组织、压缩提示信息。而Agent Memory则是支持学习与自主性的、跨会话的持续认知基底。

深度解析：记忆的形式、功能与动态机制

1. 记忆的三种形式（Forms）

综述将记忆载体归纳为三类，各有其权衡：

• Token-level Memory（Token级记忆）：最显式、透明的形式。信息以持久、离散的单元（如文本、视觉Token）存储，具备可编辑、易组合的优势。根据拓扑复杂度，又可细分为：
  • Flat Memory（一维）：无结构序列，简单但检索效率低。
  • Planar Memory（二维）：单层图/树结构，支持关系推理。
  • Hierarchical Memory（三维）：多层立体结构，兼顾细节与抽象。
• Parametric Memory（参数记忆）：将记忆“写入”模型权重，如同内化的直觉。优点是无需显式检索，但存在更新成本高、难以精确编辑和易发生灾难性遗忘等问题。
• Latent Memory（潜在记忆）：信息存在于模型内部隐状态或连续表示中，可在推理时动态更新。它比Token级记忆更紧凑，比参数记忆更易更新，但可解释性较差。

2. 记忆的三种功能（Functions）

摒弃时间尺度，按功能角色将记忆分为三类，对应不同的设计目标和失败模式：

• 事实记忆（Factual Memory）：记录来自用户与环境的客观知识（如用户偏好、代码库结构、工具状态）。目标是构建一个可更新、可检索、可治理的外部事实层，防止信息在历史对话中散失、被遗忘或编造。
• 经验记忆（Experiential Memory）：从历史任务轨迹中提炼可复用的策略与技能，实现“吃一堑，长一智”。按抽象层级分为：基于案例的原始记录、基于策略的推理模式、基于技能的可执行代码块。它赋予智能体内省和编辑自身程序性知识的能力。
• 工作记忆（Working Memory）：管理单次任务实例中的海量、高维即时信息（如长文档、视频流），在有限的注意力预算内建立高效的“思维工作区”。包括单轮内的信息压缩和多轮间的状态维持。

3. 记忆的动态生命周期（Dynamics）

记忆系统的运转是一个包含形成、演化、检索三阶段的闭环：

• 形成（Formation）：将原始上下文（对话、图像）编码、蒸馏为更紧凑的知识表示，如进行语义总结、结构化构建或生成潜在表示。
• 检索（Retrieval）：根据当前任务构造查询，从记忆库中获取相关信息并格式化以供决策使用。检索的触发策略（如间歇性或持续性）直接影响记忆的效用。
• 演化（Evolution）：对记忆库进行维护与新陈代谢，包括合并相关条目、解决冲突、执行剪枝等，确保记忆的连贯性、高效性并处理隐私等治理问题。

前沿展望：下一代记忆系统的演进方向

综述指出，未来的记忆系统不应仅是检索插件，而应成为智能体长期能力的“一等公民”（first-class primitive）。主要趋势包括：

从记忆检索到记忆生成

未来记忆将不再局限于“找出旧片段”，而是能够根据当前上下文动态生成更紧凑、任务相关的抽象表示。研究方向包括检索后生成（Retrieve-then-Generate）和直接生成（Direct Generation），并追求上下文自适应、异质信号融合以及基于强化学习的自优化。

从人工规则到自动化记忆管理

当前记忆行为多依赖人工设计的规则和阈值。未来将让智能体自主参与记忆管理，例如通过工具调用接口显式执行记忆操作，或让记忆库结构根据长期收益动态自组织，减少对僵硬规则的依赖。

强化学习驱动的端到端记忆控制

强化学习（RL）正被用于优化记忆生命周期的各个环节（如写入、压缩、检索排序）。未来的完全RL驱动记忆系统有望在最小化人类先验的前提下，让智能体自主“发明”最优的记忆组织形式与更新规则，实现形成、演化、检索的端到端协同优化。

应对多模态、多智能体与可信挑战

• 多模态记忆：挑战在于实现跨视觉、文本、动作等异质信号的统一语义表示与时间同步。
• 多智能体共享记忆：需发展支持角色权限、能避免污染与冲突的主动式集体认知底座。
• 可信记忆：随着记忆长期化、个性化，隐私保护（如可验证遗忘）、可解释性（追踪访问路径与影响）和抗幻觉/冲突的鲁棒性将成为系统设计的首要原则。

结语

通过Forms–Functions–Dynamics这一统一视角，记忆被重新定位为智能体实现时间一致性、持续适应与长期进化的关键基石。随着与强化学习的深度融合、多模态与多智能体场景的拓展，以及从检索中心范式向生成式、自组织范式的演进，记忆系统正朝着更可学习、更自适应、更可信的未来加速发展。

想获取更多AI最新资讯与智能工具推荐， 欢迎访问 👉 AI Tools Nav ——优质的 AI导航平台 与 AI学习社区

本文来源：机器之心

原文链接：https://www.jiqizhixin.com/articles/5cf026bb-4355-42fe-ba36-2e7586434af5