当前AI智能体面临知识更新慢、工具使用弱和长期推理能力不足的挑战。传统记忆模式难以支持复杂关系建模。基于图的智能体记忆通过构建结构化的经验图谱，为智能体赋予了长期一致性、个性化适应与自我演化的能力，成为突破这些瓶颈的关键。
智能速览
智能体在长期交互中面临知识时效、工具使用和长期推理三大挑战。
传统记忆方式难以支持复杂关系建模与高效推理。
基于图的记忆能构建事件间的关联图谱，支持多跳推理。
该综述提出了涵盖多维度的智能体记忆分类体系。
研究系统分析了图记忆在提取、存储、检索与演化中的关键技术。
图记忆技术已在对话、代码生成、金融交易等多领域展现应用潜力。
精华内容
图记忆的核心优势在于其超越简单记录的能力，它构建了一个动态演化的知识网络，让智能体真正学会‘思考’。下文将深入其技术细节与应用场景。
智能体的困境
尽管智能体系统在多项任务中表现优异，但在长期、复杂的交互中仍暴露出显著短板。首先是知识时效性的局限，智能体无法及时获取和更新实时出现的新知识或特定领域的最新进展。其次是工具使用能力的有限性，面对新工具时，其学习与运用的效率不高。最后，也是最重要的一点，是长期推理能力的不足，导致在需要迭代和积累经验的任务中，无法有效优化其决策策略。
图记忆的崛起
为解决上述问题，记忆系统被视作关键突破口。然而，传统的线性、无结构或简单的键值对存储方式，难以胜任对复杂关系、层次化语义的建模与高效推理。基于图的智能体记忆应运而生，它利用图结构对关系依赖进行自然建模，对层次语义进行结构化组织，并能高效支持多跳推理。它不再仅仅记录‘发生了什么’，而是构建出‘事件之间如何关联’的结构化经验图谱。
记忆的生命周期
该综述围绕记忆的完整生命周期，系统性地剖析了图记忆的关键技术。这四个核心环节分别是：记忆提取，即从交互环境中识别并捕获关键信息；记忆存储，将提取的信息有效地整合到图结构中；记忆检索，根据当前任务需求，快速准确地召回相关的历史记忆；以及记忆演化，通过持续学习与自我修正，让记忆图随时间推移而不断优化和升级，保持其有效性和准确性。
应用与展望
图记忆的应用前景十分广阔，已覆盖多个重要领域。在对话系统中，它能维持长期上下文，实现个性化交流；在代码生成领域，它能帮助模型理解大型代码库的复杂依赖；在推荐系统、金融交易、游戏AI、机器人、医疗健康乃至科学发现中，它都展现出巨大的潜力。尽管前景光明，该技术仍面临可扩展性、可解释性和评估标准统一等挑战，为未来的研究指明了方向。
基于图的智能体记忆为构建更强大的AI系统提供了清晰的路线图。它不仅解决了当前智能体的核心痛点，更开启了个性化与自适应智能体的大门。未来的研究将如何克服现有挑战，推动该技术的实际落地，值得持续关注。
