AI智能体时代的记忆（综述论文）
这篇综述论文探讨了基于基础模型的智能体中记忆的核心作用，提出了一个从形式、功能和动态三个维度分类记忆的统一框架，并总结了当前研究、基准测试和开源框架，展望了未来方向。
近日，一篇题为《AI智能体时代的记忆》的综述论文在arXiv上发布，由Yuyang Hu等47位作者共同撰写。该论文指出，记忆已成为基于基础模型的智能体的核心能力，且这一趋势将持续。随着相关研究的迅速扩张，该领域也日益碎片化。现有工作往往在动机、实现和评估协议上存在显著差异，而松散定义的记忆术语进一步模糊了概念界限。传统如长期/短期记忆的分类已不足以捕捉当代智能体记忆系统的多样性。
为此，论文旨在提供当前智能体记忆研究的最新全景。首先，清晰界定了智能体记忆的范围，并将其与LLM记忆、检索增强生成（RAG）和上下文工程等相关概念区分开。然后，通过统一的视角——形式、功能和动态——审视智能体记忆。从形式角度，确定了三种主要实现：令牌级记忆、参数化记忆和潜记忆。令牌级记忆直接在token序列中储存信息，参数化记忆通过模型权重隐式编码知识，而潜记忆则利用连续向量空间表示。从功能角度，提出了更细粒度的分类：事实记忆存储客观知识，经验记忆保留交互历史，工作记忆则处理当前任务相关信息的临时存储与操作。从动态角度，分析了记忆如何随时间形成、演化和检索，包括记忆写入、巩固、更新和遗忘机制。
为支持实际开发，论文汇编了记忆基准测试和开源框架的全面总结。基准测试涵盖了合成环境和真实世界场景，评估记忆的容量、持久性和检索效率。开源框架如MemGPT、Generative Agents等提供了模块化实现。进一步，论文展望了新兴研究前沿，包括记忆自动化（自动记忆管理策略）、强化学习集成（利用记忆优化策略学习）、多模态记忆（处理文本、图像、语音等多模态信息）、多智能体记忆（多个智能体共享和协调记忆）以及可信性问题（记忆的隐私、偏见和安全性）。该调查不仅作为现有工作的参考，也作为重新思考记忆作为未来智能体智能设计中一等原语的概念基础。