本文是一篇关于AI智能体记忆技术的107页技术综述，提出了智能体记忆的统一分类框架，按形式、功能和动态三个维度进行组织。文章详细区分了智能体记忆与LLM记忆、RAG和上下文工程等概念的本质差异，介绍了各类智能体记忆技术，为解决LLM静态参数无法快速更新的问题提供了思路，帮助AI智能体实现持续学习和适应能力。
https://github.com/Shichun-Liu/Agent-Memory-Paper-ListMemory in the Age of AI Agents: A Surveyhttps://arxiv.org/pdf/2512.13564今天分享人大&复旦&北大等的107页技术综述《Memoryin the Age of AI Agents: A Survey Forms, Functions and Dynamics》
过去两年，我们见证了大语言模型（LLM）向**AI智能体（AI Agents）**的惊人进化。从Deep Research到软件工程，从科学发现到多智能体协作，这些基于基础模型的智能体正在推动人工通用智能（AGI）的边界。
但一个核心问题浮现：静态的LLM参数无法快速更新，如何让智能体具备持续学习和适应能力？
答案就是——记忆（Memory）。
❝
“记忆是将静态LLM转变为能够通过环境交互持续适应的智能体的关键能力。”
Figure 1：智能体记忆统一分类概览
Figure 1展示了论文提出的统一分类框架，将智能体记忆按照形式（Forms）、功能（Functions）、**动态（Dynamics）**三个维度进行组织，并将代表性系统映射到这个分类体系中。
paper还对Agent Memory与几个密切相关但本质不同的概念进行明确区分：LLM记忆、检索增强生成（RAG）和上下文工程。尽管它们都与信息的存储和利用相关，但在目标、机制和应用场景上存在关键差异。
智能体记忆技术
- Self-Evolving Memory e.g., Memento, H2R
- Multimodal Memory e.g., Ella, ViloMem, M3-Agent
- Latent Memory e.g., MemoryLLM, M+, MemGen
- Parametric Memory e.g., Retroformer, Early experience
- RL-enabled Memory e.g., MemAgent, RMM, MemSearcher, MEM1, Mem-alpha, Memory-R1
智能体记忆 vs. RAG
- Modular RAG e.g., FlashRAG, ComposeRAG
- Graph RAG e.g., LightRAG, HippoRAG
- Agentic RAG e.g., PlanRAG, Self-RAG
RAG与智能体记忆都涉及从外部存储中检索信息来增强模型能力，但两者在设计哲学上存在本质差异：
| 特征 | RAG | 智能体记忆 |
|---|---|---|
| 核心目标 | 为当前查询提供相关背景知识 | 支持跨时间的持续学习和自适应行为 |
| 信息来源 | 通常是静态的、预构建的知识库（如维基百科、文档集合） | 动态生成的、来自智能体自身交互经验的个性化信息 |
| 检索触发 | 由用户查询被动触发 | 由智能体主动决定何时、检索什么 |
| 信息更新 | 知识库通常离线更新 | 在线、持续、选择性地更新 |
| 反馈循环 | 无直接反馈机制 | 与环境交互形成闭环，记忆影响行为，行为产生新记忆 |
关键区别：RAG是知识扩展工具，而智能体记忆是学习机制。RAG回答"我知道什么"，智能体记忆回答"我学到了什么"。
智能体记忆 vs. LLM记忆
- Attention KV management e.g., Mixture-of-Memory
- Long context processing e.g., Mamba, Memformer, MoA, Sparseformer, NSA
| 维度 | LLM记忆 | 智能体记忆 |
|---|---|---|
| 定义 | 模型参数中内化的知识，或上下文窗口中的临时信息 | 支持智能体与环境持续交互、跨任务学习和长期适应的外部系统 |
| 时间尺度 | 局限于预训练数据或当前对话上下文 | 跨越多个任务、会话，支持终身学习 |
| 可更新性 | 参数更新成本高昂，上下文信息易失 | 支持高效、选择性的动态更新与演化 |
| 主动性 | 被动响应查询 | 主动决定存储、更新、检索什么信息 |
| 与环境的耦合 | 与环境无直接交互 | 深度集成环境反馈，支持交互式学习 |
关键区别：LLM记忆本质上是静态的（参数固定）或短暂的（上下文受限），而智能体记忆是动态的、持久的、环境耦合的。智能体记忆使LLM能够从"无状态的条件生成器"转变为"有状态的自适应策略"。
智能体记忆 vs. 上下文工程
- Tool-integrated reasoning e.g., ReTool, ToolLLM, Toolformer, VTool-R1, ToRL
- Tool selection e.g., AutoTool, VisTA
- Communication protocol e.g., ANP, A2A, MCP, Agora
上下文工程（Context Engineering）关注如何设计输入给LLM的上下文以优化性能，与智能体记忆有重叠但侧重点不同：
| 方面 | 上下文工程 | 智能体记忆 |
|---|---|---|
| 关注点 | 单轮或当前任务的输入优化 | 跨多轮、多任务的信息持久化和利用 |
| 时间维度 | 当前会话 | 长期历史 |
| 信息选择 | 人工设计或启发式规则 | 自动化的形成、演化、检索机制 |
| 状态管理 | 无持久状态 | 显式维护可演化的记忆状态 |
关键区别：上下文工程是提示优化技术，智能体记忆是状态管理系统。前者关注"现在输入什么"，后者关注"过去记住了什么，如何影响现在和未来"。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
