简介
文章是一份由多所顶尖大学联合出品的AI Agents记忆综述，采用"形态-功能-动力学"三维框架分析了200多篇最新论文。提出三大新记忆形态（Token-level、Parametric、Latent）取代传统二分法，详细阐述了记忆的功能、动力学机制和生命周期，并展望了生成式记忆、自动记忆管理等7大前沿方向，为AI Agent记忆研究提供了系统性指导。
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。
开源地址：https://github.com/Shichun-Liu/Agent-Memory-Paper-List
论文地址：https://arxiv.org/pdf/2512.13564
一、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。
二、预备知识：Agent 与记忆的形式化
图 2 用韦恩图理清 Agent Memory vs LLM Memory vs RAG vs Context 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：
- Formation F：把原始交互 φ_t 提炼成记忆单元
- Evolution E：合并、去重、纠错、遗忘
- Retrieval R：按需查询
三、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：
表 1 给出 60+ 代表性方法的横向对比（多模态、任务、结构）：
四、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：
五、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
六、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 …）：
七、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。
如何学习AI大模型？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高
那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份LLM大模型资料分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以扫描下方二维码领取🆓↓↓↓
学习路线
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
