Agent Memory 是智能体认知能力的基石。本文从载体形式、生命周期机制及认知维度三个层面，结构化拆解了其核心概念与实现方式，帮助厘清其与 LLM Memory、RAG 的本质区别，为构建高效的智能体记忆机制提供理论指引。
智能速览
Agent Memory 区别于 LLM Memory 及 RAG，拥有独特的定义框架
包含 Token-level、Parametric 与 Latent 三种核心记忆载体
记忆生命周期涵盖 Formation、Evolution 与 Retrieval 三个阶段
按时间维度可分为感知、短期与长期三种记忆类型
按内容属性与类型可细分为显隐性记忆及情景、语义、程序记忆
精华内容
构建高效的 Agent Memory 需要深入理解其底层架构，从物理载体到认知分类，每一个环节都决定了智能体处理信息的能力。
概念界定与区分
理解 Agent Memory 的核心在于明确其定义与边界。它不仅仅是简单的信息存储，而是智能体在交互过程中产生的动态知识沉淀。关键在于将其与 LLM Memory、RAG（检索增强生成）以及 Context Engineering 区分开来，理解其独特的运作逻辑与定位。
载体与生命周期
在实现层面，Agent Memory 依托三种主要载体：Token-level（令牌级）、Parametric（参数化）与 Latent（潜空间）。这些载体支撑起记忆的完整生命周期，包括 Formation（形成）、Evolution（演化）与 Retrieval（检索）。这一机制确保记忆能够随着时间推移和交互积累不断更新，并能在需要时被精准调用。
多维认知分类
为了更精细地管理记忆，可从认知维度进行三层拆解。按存储时间分为感知记忆、短期记忆与长期记忆；按内容属性分为显性记忆与隐性记忆；按存储内容则细分为情景记忆、语义记忆与程序记忆。这种多维度的分类方式为不同场景下的记忆调用提供了明确的理论依据。
统一的 Agent Memory 框架揭示了智能体记忆机制的复杂性与系统性。通过从载体、周期到认知维度的结构化梳理，能够更清晰地指导实际系统的设计与优化，推动智能体向更高级的认知水平发展。
