基于大型语言模型（LLM）的智能体通过整合外部工具与规划能力，正在重塑人工智能的格局。在这些系统中，记忆机制已逐步演变为架构的核心支柱。然而，现有的研究碎片化严重，常在操作系统工程与认知科学之间摇摆，缺乏统一的理论框架。为了填补这一空白，一篇由Jinghao Luo等九位作者共同撰写的综述论文提出了一个全新的演化框架，将LLM智能体的记忆机制发展过程形式化为三个阶段：存储（轨迹保存）、反思（轨迹精炼）和经验（轨迹抽象）。该论文于2026年5月7日提交至arXiv，并被ACL 2026 Findings接收。
该框架首先明确定义了三个阶段的特征。存储阶段侧重于原始轨迹的保存，这是记忆系统的基础层。反思阶段通过回顾和评价历史交互，对轨迹进行精炼和优化，从而提升未来决策的准确性。经验阶段则实现更高层次的抽象，从多条轨迹中提取可迁移的通用模式和知识，形成类似人类经验的结构。论文进一步分析了推动这一演化的三大核心驱动力：长程一致性需求，即智能体需在长时间跨度内保持目标与行为的一致；动态环境的挑战，要求智能体在不确定和变化的环境中做出鲁棒决策；以及持续学习的目标，使智能体能够从经验中不断成长并适应新任务。
在经验阶段，论文深入探讨了主动探索和跨轨迹抽象两种变革性机制。主动探索使智能体自主寻求新经验以弥补知识缺口，而非被动等待。跨轨迹抽象则允许智能体从不同经历中提取共性规律，形成更普适的认知结构。这些机制为下一代LLM智能体的设计提供了关键思路。通过整合当前分散的研究，该综述为LLM智能体记忆系统的开发提供了统一的理论基础和实践路线图。论文的发表有望推动该领域走向更系统化和理论化的方向。