随着AI智能体的发展，记忆已成为其实现持续学习和复杂交互的关键能力。然而，相关研究日益碎片化。这份综述通过一个新颖的’形式-功能-动态’框架，系统性地梳理了智能体记忆的全景，为理解和构建更强大的AI系统提供了清晰路线图。
智能速览
Agent记忆是实现AI持续学习的核心，其研究范围与LLM记忆、RAG等有明确区分。
综述提出’形式-功能-动态’三维框架，统一分析了智能体记忆系统。
记忆形式主要分为Token级、参数化和潜在记忆三种实现方式。
记忆功能可细分为事实记忆、经验记忆和工作记忆三大类。
未来趋势包括自动化记忆设计、强化学习集成和多模态记忆。
精华内容
为了深入理解智能体记忆的内在构造，我们从其实现形式、功能角色和生命周期三个维度展开详细剖析。
明确概念边界
Agent记忆是指支撑AI智能体进行长程推理、持续适应的持久化认知系统，其范畴远超传统的LLM内部记忆。与检索增强生成（RAG）和上下文工程等技术不同，Agent记忆更侧重于为具有长期身份的智能体进行建模，管理其与复杂环境交互的历史信息。许多早期系统虽被称为“LLM记忆”，但实际上解决的是跨多轮交互的用户偏好跟踪等经典Agent问题，应归属于Agent记忆范畴。
记忆的三种形式
从实现形式上看，Agent记忆主要分为三类。一是Token级记忆，将信息存储为外部可访问的离散单元，如文本块、用户档案，它们可以被自由检索和重组。二是参数化记忆，直接将知识编码到模型的权重、偏置或LoRA等附加参数中，实现知识内化。三是潜在记忆，将信息隐含在模型的内部表示中，如KV缓存或激活值，推理速度快且适合多模态，但人类不可读。
记忆的功能角色
依据功能，记忆可细分为事实、经验和工作三种。事实记忆记录关于用户偏好和环境状态的可验证事实，确保交互的一致性与适应性。经验记忆则将历史轨迹和提炼的策略编码为可检索的知识，是智能体能力自我进化的基础。工作记忆则是一个动态的工作区，在单次任务中主动管理和转换相关信息，充当智能体的“草稿板”。
记忆的动态周期
Agent记忆并非静态存储，而是一个动态演化的系统，其生命周期包含形成、进化与检索。记忆形成是从对话、图像等原始上下文中编码知识的过程。进化则是新旧知识的整合与更新，确保记忆库的时效性和准确性。检索则根据当前推理需求，高效地筛选并利用相关的历史记忆，这三个过程共同驱动智能体的持续学习。
本综述系统化了智能体记忆研究，揭示了其从被动检索向主动生成、从人工设计向自主学习的演进趋势，为构建自适应AI奠定了理论基础。未来，记忆系统将如何重塑通用智能？
