Agent Memory在2025年成为AI智能体领域的焦点，但相关研究在评估与实现上存在巨大差异，导致社区认知碎片化。由NUS、NTU等顶尖高校联合发布的最新综述，通过构建一套清晰的分类体系，系统厘清了这一领域的核心概念与技术架构，为后续研究提供了标准化的参考基准。
智能速览
明确区分Agent Memory、LLM Memory与RAG的概念边界
统一Token级、参数化与隐式三种Memory载体结构
提出事实性、经验性与工作记忆的功能性分类框架
从生命周期视角解析记忆的生成、更新与遗忘机制
汇总覆盖长对话与终身学习的Benchmarks与开源框架
精华内容
针对当前Agent Memory领域概念混杂的现状，该综述从概念、结构、功能等多个维度建立了系统化的分析框架。
概念边界厘清
首先对核心概念进行了严格界定，系统区分了Agent Memory与LLM Memory的差异。同时，详细阐述了Memory与RAG（检索增强生成）及Context Engineering之间的关系，消除因术语混用带来的理解偏差，为学术讨论奠定统一基础。
结构统一视角
在结构维度上，综述统一了Memory的载体形式，将其划分为Token级、参数化以及隐式三类。这种分类方式能够更准确地覆盖不同存储机制的特征，帮助开发者在设计智能体时根据需求选择合适的记忆存储方案。
功能架构分类
基于功能视角，研究团队提出了包含事实性、经验性和工作记忆的分类体系。事实性记忆存储静态知识，经验性记忆保留历史交互与技能，工作记忆则负责处理当前任务信息，三者协同构成了智能体的完整认知能力。
动态演化机制
Agent Memory并非静止不变，该综述引入生命周期视角，深入探讨了记忆的生成、更新与遗忘机制。通过分析记忆如何在动态环境中流转，揭示了智能体如何通过管理记忆来适应不断变化的任务需求与环境挑战。
前沿资源整合
文章汇总了该领域现有的Benchmarks与开源框架，涵盖长对话、长任务处理以及终身学习等场景。此外，还展望了Memory与强化学习、世界模型、多模态及多智能体结合的未来方向，指出了值得探索的研究空白。
这篇综述不仅梳理了Agent Memory的研究现状，更通过严谨的分类体系为该领域提供了导航图。随着AI智能体向更复杂的应用场景演进，高效且可靠的记忆机制将成为打破能力瓶颈的关键，值得从业者深入研读与关注。
