近期看过关于 Agent 记忆系统最全面的综述!
随着基座模型的能力突破临界值，Agent 的发展重点开始转向物理世界的实用性，特别是长周期运行，高度依赖用户动态交互的应用场景；
⭐️ 在这样的背景下，记忆系统成为了解决「上下文爆炸式增长」，以及实现 Agent 自我进化的核心关键；UIC，UIUC，斯坦福，Google 等多所机构联合的最新综述，梳理了 Agent 记忆系统过去三年的快速演进，深入探讨了它的各类实现方案；

🤖 研究提出了「记忆系统」的三维分类体系：
🔨 记忆介质：
- 外部记忆：存储在模型参数外（向量数据库，文本文件，知识图谱），支持显式的读写和跨会话持久化；
- 内部记忆：直接存储在模型架构内，包括权重中的参数化记忆，或者推理过程的中间过程，如KV Cache中；

🔨 认知机制： 借鉴人类认知心理学，分为
- 感官记忆：作为感知缓冲，处理短期记忆；
- 工作记忆：当前任务的内存空间；
- 情节记忆：过往相似任务的实际运行记录；
- 事实记忆：物理世界的客观事实知识；
- 程序化记忆：用于完成任务的 Skills 和行为模式；

🔨 记忆主体：分为以用户为中心的「个性化记忆」和以 Agent 为中心的「执行经验记忆」；

🤖 研究详细分析了记忆在不同系统的运作方式：
- 单智能体系统：包括存储索引，检索加载，定时更新，总结压缩，以及遗忘/保留五大核心环节；
- 多智能体系统：探讨了共享记忆，私有记忆，以及混合记忆架构；核心分析了如何通过路由策略，冲突解决方案保证数据的一致性；
⭐️ 研究发现：记忆管理本身正在成为 Agent 的一种可训练的，自我进化的能力；核心提升策略包括：提示词驱动，监督微调，强化学习等；

⭐️ 研究提出评估 Agent 记忆系统的方式包括：基于准确率的，相似性的，以及 LLM-as-a-Judge，还指明了几个未来研究方向：
- 实现能够持续学习和自我进化的智能体记忆；
-人类- 多智能体系统的联合记忆系统；
- 针对多模态、具身智能体及世界模型的记忆系统设计
- 提高记忆基础设施的效率和可信度；
AI人工智能 chatgpt应用领域 ai研究 互联网大厂