AI智能体的记忆机制复杂且碎片化，理解其全貌颇为困难。这篇来自顶尖学府的综述，通过一个新颖的三维分类体系，系统梳理了海量研究，为深入理解AI智能体的记忆构建了清晰的认知框架。
智能速览
论文提出了形式-功能-动态三维记忆分类体系。
形式维度涵盖令牌级、参数级与潜在记忆三大形态。
功能维度将记忆分为事实、经验与工作记忆三类用途。
动态维度揭示了记忆从形成到检索的完整生命周期。
论文清晰界定了LLM记忆、RAG等热门概念的边界。
精华内容
要真正理解AI智能体的记忆，需要一个系统性的框架。这篇综述恰好提供了这样一个视角。
记忆的形式
该维度探讨了记忆的物理存在形态。首先是令牌级记忆，例如文本块或知识图谱，它们是外显的、结构化的。其次是参数记忆，指内化于模型权重中的知识，通过训练获得。最后是潜在记忆，信息编码在模型的隐藏状态中，较为抽象且动态。这三种形态共同构成了AI智能体存储信息的基础设施，各有其适用场景与优劣势。
记忆的功能
从功能上看，记忆服务于不同目标。事实记忆用于记录智能体“知道什么”，存储客观事实与知识。经验记忆则关注“如何做好”，记录过去成功的策略、失败的经验，用于优化未来决策。工作记忆则负责管理智能体当下的思考过程，类似于人类的“临时记事本”，确保在复杂任务中不丢失关键信息。这三者协同工作，让智能体表现得更为智能与可靠。
记忆的动态
记忆并非一成不变，该维度揭示了其完整生命周期。首先是“形成”，即如何从交互或数据中创造新记忆。其次是“演化”，指现有记忆会随着新信息的加入而被更新、巩固或遗忘。最后是“检索”，即在需要时高效、准确地调取相关记忆。这个闭环过程确保了记忆系统的动态适应性，使其能持续成长并保持有效性，避免信息过时或冗余。
边界与前沿
论文还厘清了当前热议的AI记忆相关概念。例如，大语言模型（LLM）自身的记忆主要指其参数化的知识；检索增强生成（RAG）则是一种结合了外部知识库的混合记忆方案。同时，综述指出了未来的七大研究风向标，为该领域的后续探索指明了方向，有助于把握技术发展的脉搏。
通过对记忆的形式、功能和动态进行解构，这篇综述为理解和设计AI智能体提供了坚实的理论基础。它不仅是当前研究的集大成者，更启迪着未来更强大、更接近人类认知的智能体的诞生。下一个突破会是什么？
