文章介绍了NUS&人大&复旦等机构联合出品的《Memory in the Age of AI Agents: A Survey》最新综述。该研究采用"形态-功能-动力学"三维框架，系统分析了200+篇最新论文，提出Token-level/Parametric/Latent三大记忆形态，取代传统二分法。文章全面介绍了Agent记忆的必要性、形式化定义、三大功能(事实记忆、经验记忆、工作记忆)、完整生命周期以及7大前沿方向，包括生成式记忆、自动记忆管理、RL驱动等，为AI Agent记忆研究提供系统性指导。
分享今年看到最系统&最新的Agents Memory综述，NUS&人大&复旦&北大&同济等联合出品：《Memory in the Age of AI Agents: A Survey》
- 用“形态-功能-动力学”三维框架把 200+ 篇最新论文一次讲透。
- 提出新三大记忆形态：Token-level / Parametric / Latent，取代传统“长-短期记忆”二分法。
- 展望7 大前沿：生成式记忆、自动记忆管理、RL 驱动、多模态、多 Agent 共享、世界模型、可信记忆。
1 为什么需要“Agent 记忆”？
图 1 给出一张“地图”，把 200+ 方法按形态 & 功能 & 动态一次定位：
LLM 再强，也怕“金鱼脑”——上下文一断就失忆。
把 LLM 包装成能持续交互、自我进化的 Agent，必须外挂一块可读写、可增长、可遗忘的记忆体。
2 预备知识：Agent 与记忆的形式化
图 2 用韦恩图厘清Agent Memoryvs **LLM Memory **vsRAGvsContext Engineering：
作者先把 Agent 抽象成部分可观测马尔可夫博弈，再把记忆定义为三元组运算符：
- FormationF：把原始交互 φ_t 提炼成记忆单元
- EvolutionE：合并、去重、纠错、遗忘
- RetrievalR：按需查询
3 形态篇：记忆到底“长”什么样？
图 3 把Token-level再细拆成 1D-Flat / 2D-Planar / 3D-Hierarchical：
| 形态 | 载体 | 可读性 | 更新成本 | 典型场景 |
|---|---|---|---|---|
| Token-level | 文本、JSON、Graph | 人类可读 | 低 | 对话机器人、法律审计 |
| Parametric | LoRA、Adapter | 不可读 | 中 | 角色扮演、代码生成 |
| Latent | KV-cache、Embedding | 机器可读 | 极低 | 端侧部署、多模态流 |
表 1 给出 60+ 代表性方法的横向对比（多模态、任务、结构）：
4 功能篇：Agent 到底“用”记忆做什么？
图 6 给出功能-时间双轴全景：
把“为什么记”拆成三大职能：
- Factual Memory——“我知道什么”：用户画像、文档状态、世界知识。
- Experiential Memory——“我学会什么”：成功/失败轨迹 → 策略 → 可执行技能。
- Working Memory——“我现在想什么”：单轮压缩、多轮状态折叠、计划缓存。
experiential memory范式
表 4-6 分别对应三大功能的 100+ 方法速查表：
5 动力学篇：记忆如何“动”起来？
完整生命周期 =形成 → 演化 → 检索闭环，用一张“地铁图”串起 30+ 操作符：
- Formation五板斧：语义摘要、知识蒸馏、结构化、潜空间编码、参数内化。
- Evolution三件套：合并（Consolidate）、更新（Update）、遗忘（Forget）。
- Retrieval四步曲：触发时机 → 查询构造 → 检索策略 → 后处理。
图 9 记忆演化机制蓝图
图 10 agentic系统中检索方法
6 资源篇：Benchmark & 开源框架速览
表 8 汇总 30 个记忆/终身学习/自演化评测集：
表 9 对比 20+ 开源框架（MemGPT / Mem0 / Zep / MemOS …）：
7 前沿篇：7 大风向标
- 生成式记忆> 检索式记忆
- 不再“查什么用什么”，而是“缺什么生什么”。
- 自动记忆管理
- 把“写/删/改”做成 Agent 可调用的 Tool，让 LLM 自己管自己。
- RL 全面接管记忆策略
- 从“人工拍阈值”到“策略网络端到端优化”。
- 多模态记忆
- 视频、音频、传感器流统一进 Embedding 空间。
- 多 Agent 共享记忆
- 角色-权限-隐私三权分立，防止“集体幻觉”。
- 世界模型内存
- 从“缓存帧”到“可查询状态模拟器”。
- 可信记忆
- 差分隐私、可验证遗忘、审计日志、用户级 GDPR 擦除。
Memory in the Age of AI Agents: A Survey Forms, Functions and Dynamicshttps://github.com/Shichun-Liu/Agent-Memory-Paper-Listhttps://arxiv.org/pdf/2512.13564AI时代，未来的就业机会在哪里？
答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。
掌握大模型技能，就是把握高薪未来。
那么，普通人如何抓住大模型风口？
AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。
因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！
由于篇幅有限，有需要的小伙伴可以扫码获取！
1. 成长路线图&学习规划
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
3. 大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
5. 大模型行业报告
行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
6. 大模型面试题
面试不仅是技术的较量，更需要充分的准备。
在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
为什么大家都在学AI大模型？
随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。
同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！
这些资料有用吗？
这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
大模型全套学习资料已整理打包，有需要的小伙伴可以
微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】
