Agent Memory综述

一、Agent Memory的结构形式
1.Token-level memory
Token-level memory 将信息存储为可持久化的离散单元，这些单元是外部可访问且可解释的。“token”在这里是广义概念，不仅包括文本 token，也包括视觉 token、音频帧等任何可在模型外写入、检索、重组与修改的离散元素。
按照组织架构的不同，Token-level Memory可以分为三大类：Flat Memory（1D）、Planar Memory（2D）和Hierarchical Memory（3D）。
✅Fat Memory
Fat Memory 将信息存储为离散单元的集合，但不显式建模它们之间的关系。
✅Planar Memory
Planar Memory 在单层结构中引入显式关系（如图、树、表），但没有跨层结构，其核心突破是：从“存储”升级为“组织”。
✅Hierarchical Memory
Hierarchical memory 在多层结构中组织信息，并通过层间连接形成“立体 memory 空间”。主要形式有“金字塔结构”和“多层模块结构”。

二、Agent Memory的功能角色
✅扮演事实记忆（Factual Memory）的时候，可以：用于存储稳定的、可复用的客观知识，例如用户信息、世界知识、业务规则等。在推理过程中，Agent 可以通过检索这些记忆来补充上下文，从而避免重复查询外部知识源（如 RAG），提高响应效率与一致性。同时，事实记忆还可以通过持续更新来保持知识的时效性，例如覆盖过期信息或修正错误事实。通俗来说，就是记录一些事实信息，比如用户偏好信息、领域内容基本常识、业务规则等等。
✅扮演经验记忆（Experiential Memory）的时候，可以：记录 Agent 在历史任务中的行为轨迹、决策过程以及对应的反馈（成功或失败）。这些记忆可以被用于总结经验、抽象策略，并在后续类似任务中进行复用，从而提升决策质量。

✅扮演工作记忆（Working Memory）的时候，可以：在当前任务执行过程中，临时存储中间推理结果、上下文状态以及多步任务的阶段性信息。它类似于一个“思考缓冲区”，用于支持复杂推理、多轮交互或长链路任务执行。Factual Memory 和 Experiential Memory 在系统运行之前或运行过程中被持续沉淀下来，用于在后续任务中被直接检索和复用，为模型提供稳定的知识与经验支持。而 Working Memory 则不同，它并不是预先存储好的，而是在当前任务或交互过程中实时构建，用于记录中间状态、上下文以及推理过程中的关键信息。

三、Agent Memory的运作流程
1、Memory Formation（记忆形成）
该过程将原始经验转化为高信息密度的知识。关键点：
不再简单记录所有历史
只保留长期有价值的信息
成功的推理模式
环境约束
关键事实
2、Memory Evolution（记忆演化）
该过程负责：
将新记忆整合进已有记忆库
保持系统的：
一致性（coherence）
泛化能力（generalization）
效率（efficiency）
3、Memory Retrieval（记忆检索）
这一部分要解决的问题是：如何在推理过程中检索并利用这些记忆。我们将记忆检索定义为：在合适的时刻，从某个记忆库中提取相关且简洁的知识片段，以支持当前的推理任务。其核心挑战在于：如何在大规模记忆存储中高效、准确地定位所需知识。
📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。