Agentic Memory
定义
Agentic Memory 指基于大语言模型的智能体跨越多次交互持久保存、组织并选择性召回信息的能力，其目标是把无状态的文本生成器转变为可适应环境的智能体[1]。相关综述把智能体记忆描述为一个与感知、行动紧密耦合的「写入—管理—读取」闭环，而不是单纯的存储模块[1]。
在信息检索的视角下，智能体记忆管理（agentic memory management，AMM）研究的是智能体记忆中的信息如何被结构化、分析、组织、存储、搜索、检索与使用，被看作信息检索研究在智能体内部的自然延伸。也有文献将智能体记忆与传统意义上的大模型记忆、检索增强生成、上下文工程区分开来，强调前者面向智能体在任务中的实际使用。
原理
从控制方式看，Agentic Memory 的核心变化是把记忆操作放入智能体的动作空间：智能体通过工具调用决定何时写入、检索、更新、摘要或丢弃信息，而不是依赖外部模块按固定规则向上下文塞入内容[3]。一种代表性设计（AgeMem）把长期记忆的增、改、删与短期上下文的检索、压缩、过滤统一为工具化动作，并用三阶段渐进式强化学习训练这种统一策略，其中逐步 GRPO 用于处理记忆操作带来的稀疏、不连续奖励[3]。
在存储形态上，相关研究通常区分令牌级、参数化与潜在记忆三种载体，并按功能划分为事实记忆、经验记忆与工作记忆，再从时间维度考察记忆如何形成、演化与检索。工程实现中常见外部持久存储加检索注入的做法，检索结果在推理开始前被插入上下文；若检索为异步执行，注入时机取决于检索耗时，某些回复可能来不及使用检索到的内容[4]。
演化视角的研究把记忆机制分为三个阶段：以原始轨迹保存为主的存储阶段、对轨迹进行语义提炼的反思阶段，以及跨轨迹抽象出通用规则的经验阶段[5]。在形式化描述中，智能体在时刻 $t$ 依据系统指令、当前观测与检索到的记忆生成动作，即 $a_t \sim \pi_\theta(a_t \mid \mathcal{I}, o_t, m_t)$，其中 $m_t=\mathrm{Retrieve}(\mathcal{M}, o_t)$ 表示从全局记忆库中取出的上下文相关记忆[6]。
发展历程
2010 年代中后期，记忆增强神经网络与外部记忆模块的研究为后续工作提供了基础（此段无本次检索到的直接出处，故不展开细节）。2022 年至 2026 年初，智能体记忆研究快速扩张，形成从上下文内压缩、检索增强存储、反思式自我改进、分层虚拟上下文到策略学习式管理的多条技术路线[1]。
操作系统式记忆是较早的工程范式：MemGPT 路线把上下文窗口类比为物理内存、外部存储类比为磁盘，由智能体通过工具完成核心记忆块的自编辑与页面调度，其后续开源框架 Letta 延续了这一架构。2026 年 1 月，AgeMem 提出以强化学习统一长期与短期记忆管理的框架；同年 2 月则有综述对智能体记忆系统进行结构分类并分析其评测局限[3][2]。
2026 年 3 月，针对自主智能体记忆机制的综述梳理了 2022 年至 2026 年初的工作，并提出时间范围、表征载体与控制策略三个维度的分类框架[1]。同年 7 月，演化视角的综述把该领域发展概括为存储、反思、经验三个阶段[5]。有文献目录统计显示，智能体记忆方面的论文数量在 2026 年内出现快速增长[7]。
应用
智能体记忆被认为是个人助理场景中的差异化能力，使系统能够保留用户偏好、历史决定与对话中归纳出的规则[8]。除个人助理外，编程智能体、开放世界游戏、科学推理与多智能体协作也被列为记忆发挥关键作用的典型应用场景[1]。
在具体实现中，AgentScope 将 Agentic Memory 作为原生长期记忆方案，智能体在运行中自行创建 Markdown 格式的记忆文件，并以固定的 MEMORY.md 作为索引自动注入系统提示，形成渐进暴露的访问方式；该方案可切换本地、容器、云沙箱等运行后端[4]。记忆写入采用带名称、描述与类型字段的元数据，便于后续检索与注入[8]。
面向开发者的记忆框架生态也已形成，Mem0、Zep、Cognee、LangMem、MemOS 等产品常被并列讨论，其形态覆盖托管记忆层、时序知识图谱式记忆与操作系统式记忆等多种路线。在编程类任务中，记忆还被用于记录会话事实与可复用经验，为后续同类任务提供参考[9]。
局限
评测基础仍不稳固：相关综述指出，现有基准规模偏小、评价指标与语义效用不匹配，系统表现随所搭配的基础模型而显著变化，记忆维护带来的延迟与吞吐开销也常被忽略，导致系统实际表现低于理论预期[2]。类似分析还提到，没有一种记忆架构能在所有基准上占优，各能力与各基准的排序并不一致[10]。
记忆的维护同样困难：矛盾与冲突处理普遍较为初级，破坏性替换是常见策略，认识论不确定性、条件范围与来源链在多数系统中缺失[10]。在部署层面，记忆陈旧、跨会话身份解析、隐私与同意架构以及应用级效果评估仍是未解问题[11]。
此外，评测协议本身存在碎片化问题：不同论文使用的评判模型、回答模型、数据接入协议乃至问题子集不同，使跨论文比较难以成立[10]。持续整合、因果关联检索、可信反思、可学习的遗忘与多模态具身记忆也被列为尚待解决的开放挑战[1]。
参见
参考资料
- arxiv.org 上的网页 [引用日期2026-10-29]
- huggingface.co 上的网页 [引用日期2026-10-29]
- huggingface.co 上的网页 [引用日期2026-10-29]
- 长期记忆 [引用日期2026-10-29]
- aclanthology.org 上的网页 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- zenodo.org 上的网页 [引用日期2026-10-29]
- Long-Term Memory [引用日期2026-10-29]
- hy-memory [引用日期2026-10-29]
- 21_anatomy_survey [引用日期2026-10-29]
- state-of-ai-agent-memory-2026 [引用日期2026-10-29]