基於大型語言模型（LLM）的智能體通過整合外部工具與規劃能力，正在重塑人工智能的格局。在這些系統中，記憶機制已逐步演變為架構的核心支柱。然而，現有的研究碎片化嚴重，常在操作系統工程與認知科學之間搖擺，缺乏統一的理論框架。為了填補這一空白，一篇由Jinghao Luo等九位作者共同撰寫的綜述論文提出了一個全新的演化框架，將LLM智能體的記憶機制發展過程形式化為三個階段：存儲（軌跡保存）、反思（軌跡精煉）和經驗（軌跡抽象）。該論文於2026年5月7日提交至arXiv，並被ACL 2026 Findings接收。
該框架首先明確定義了三個階段的特徵。存儲階段側重於原始軌跡的保存，這是記憶系統的基礎層。反思階段通過回顧和評價歷史交互，對軌跡進行精煉和優化，從而提升未來決策的準確性。經驗階段則實現更高層次的抽象，從多條軌跡中提取可遷移的通用模式和知識，形成類似人類經驗的結構。論文進一步分析了推動這一演化的三大核心驅動力：長程一致性需求，即智能體需在長時間跨度內保持目標與行為的一致；動態環境的挑戰，要求智能體在不確定和變化的環境中做出魯棒決策；以及持續學習的目標，使智能體能夠從經驗中不斷成長並適應新任務。
在經驗階段，論文深入探討了主動探索和跨軌跡抽象兩種變革性機制。主動探索使智能體自主尋求新經驗以彌補知識缺口，而非被動等待。跨軌跡抽象則允許智能體從不同經歷中提取共性規律，形成更普適的認知結構。這些機制為下一代LLM智能體的設計提供了關鍵思路。通過整合當前分散的研究，該綜述為LLM智能體記憶系統的開發提供了統一的理論基礎和實踐路線圖。論文的發表有望推動該領域走向更系統化和理論化的方向。