大模型有个老毛病：关掉对话框，它就彻底失忆

过去几年，业界的解法是把上下文窗口越拉越长——从几 K 卷到百万 token。但在 2024–2026 这两年，我明显感觉到，记忆从一个边缘话题，成了 Agent 和 LLM 架构里最热的战场，相关综述成批往外冒。

最近我把觉得有代表性的 7 篇过了一遍，每篇附上链接和摘要要点，整理出来分享给同样在折腾 Agent 记忆的朋友。文末顺带聊两个我自己读下来的观察角度——一个关于趋势，一个关于分层。

01

PART

7 篇综述大盘点

LINKS · ABSTRACTS · KEY POINTS

下面 7 篇按时间线排，前 6 篇聚焦 Agent 层的记忆，最后 1 篇聚焦 LLM 模型架构层的记忆——这个区分第三章会展开。

1. A Survey on the Memory Mechanism of LLM Based Agents（2024）

机构：中国人民大学 + 华为诺亚方舟实验室

链接：arXiv:2404.13501 https://arxiv.org/abs/2404.13501 ｜ 代码库：LLM_Agent_Memory_Survey https://github.com/nuster1128/LLM_Agent_Memory_Survey

定位：Agent 记忆领域的奠基性综述，后续几乎所有工作的起点。

核心要点

1

首个系统综述 LLM Agent 记忆机制，填补此前 Agent 综述只泛泛覆盖、不专攻记忆的空白。

2

三维框架：记忆来源（试内信息 / 跨试信息 / 外部知识）× 记忆形式（文本记忆 / 参数化记忆）× 记忆操作（写入 / 管理 / 读取）。

3

数学化 Agent-环境交互：a_{t+1} = LLM{R(P(M_t, W({a_t,o_t})), c_{t+1})}，其中 W（写入）、P（处理）、R（读取）就是记忆的三大操作。

4

指出四大未来方向：参数化记忆、多 Agent 记忆、基于记忆的终身学习、拟人记忆。

2. From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms（ACL 2026）

机构：香港浸会大学、华南师范大学、香港科技大学、新加坡国立大学等

链接：arXiv:2605.06716 https://arxiv.org/abs/2605.06716 ｜ 代码库：Evolving-LLM-Agent-Memory-Survey https://github.com/FeishuLuo/Evolving-LLM-Agent-Memory-Survey

定位：发表于 ACL 2026 Findings，用一个演化框架统一了此前分裂的记忆研究。

核心要点

1

提出记忆演化三阶段形式化框架：Storage（轨迹保留）→ Reflection（轨迹精化）→ Experience（跨轨迹抽象）。

2

点破领域两大分裂：一条走「操作系统工程」路线（MemGPT 把上下文当虚拟内存管），一条走「认知科学」路线（模仿人类记忆巩固），两派几乎不互相引用。

3

归纳三大演化驱动力：长程一致性需求、动态环境挑战、持续学习目标。

4

重点展开 Experience 阶段两大前沿机制：主动探索（Active Exploration）与跨轨迹抽象（Cross-Trajectory Abstraction），并给出下一代 Agent 的设计原则与路线图。

3. Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers（2026.03）

作者：Pengfei Du

链接：arXiv:2603.07670 https://arxiv.org/abs/2603.07670

定位：7 篇里最偏工程落地与评测的一篇，覆盖 2022 至 2026 年初。

核心要点

1

把 Agent 记忆形式化为 write–manage–read 循环，并给出三维分类：时间范围 × 表征载体 × 控制策略。

2

五类机制族全拆解：上下文压缩、检索增强存储、反思式自我改进、分层虚拟上下文、策略学习式管理。

3

评测最扎实：梳理 4 个近期 benchmark，揭示从「静态 recall」到「多 session agentic 测试」的范式转移，并指出当前系统在真实决策上的明显缺口。

4

直面工程现实（写入过滤、矛盾处理、延迟预算、隐私治理）与开放挑战（持续巩固、因果检索、可信反思、学会遗忘、多模态具身记忆）。

4. Rethinking Memory Mechanisms of Foundation Agents in the Second Half（2026.02）

机构：UIC、UIUC、UW-Madison 等 20+ 高校 + Salesforce / Google / Meta / Roblox / Cisco / Capital One

链接：arXiv:2602.06052 https://arxiv.org/abs/2602.06052 ｜ 资源库：Awesome-Agent-Memory https://github.com/AgentMemoryWorld/Awesome-Agent-Memory

定位：从「Foundation Agent 系统级」视角重组记忆，配套 Awesome 列表持续更新。

核心要点

1

统一视图三维：记忆载体（内部 / 外部）× 认知机制（情景 / 语义 / 感知 / 工作 / 程序）× 记忆主体（Agent 中心 / 用户中心）。

2

分析不同 Agent 拓扑（单 Agent / 多 Agent）下记忆如何实例化，并强调记忆操作的 learning policy。

3

提出「Second Half（下半场）」判断：AI 竞争焦点从刷 benchmark 分数，转向长周期、动态、强依赖用户的真实效用，记忆是补齐效用缺口的关键。

4

20+ 机构联合出品，文献雷达价值高，适合长期跟踪。

5. Memory in the Age of AI Agents（2025）

机构：复旦大学、新加坡国立大学、中国人民大学、蚂蚁等

链接：aminer 页面 6940ca3494d1bc07b495af8d https://www.aminer.cn/pub/6940ca3494d1bc07b495af8d（高引 185）

定位：最有价值之处是划清概念边界，并汇总 benchmark 与开源框架。

核心要点

1

划清四者边界：Agent 记忆 ≠ LLM 记忆 ≠ RAG ≠ context engineering；并指出传统「长/短期记忆」二分法已不足以描述当代系统。

2

三镜头组织全领域：形式（token 级 / 参数化 / 隐状态）× 功能（事实记忆 / 经验记忆 / 工作记忆）× 动态（形成—演化—检索）。

3

汇总大量记忆 benchmark 与开源框架，是入门后做技术选型时的实用清单。

4

展望前沿：记忆自动化、RL 融合、多模态记忆、多 Agent 记忆、可信记忆。

6. AI meets brain: Memory systems from cognitive neuroscience to autonomous agents（2025）

作者：Liang 等

链接：（暂无公开 arXiv 链接，以会议/期刊版本为准）

定位：从认知神经科学视角切入的理论补强型综述。

核心要点

1

把人类记忆系统（海马体巩固、工作记忆、情景记忆、语义记忆）系统映射到自主 Agent 的设计上。

2

为「为什么 Agent 记忆应该长这样」提供认知科学理论支撑，与 #2 的认知科学路线形成呼应。

3

不适合作为「怎么做」的指南，但适合在论证设计合理性时引用。

7. Memory for Large Language Models（2026.07，唐杰团队）

机构：清华大学 + 新加坡国立大学 + Bosch AI（作者含 Jie Tang / 唐杰，IEEE Fellow，智谱联合创始人）

链接：arXiv:2607.25380 https://arxiv.org/abs/2607.25380

定位：看的是模型内部的架构级记忆，与前 6 篇（Agent 外挂框架）定位完全不同。

核心要点

1

三维正交分类：表示（隐式 / 显式）× 更新动力学（离线 / 在线）× 持久性（短期 / 长期）。

2

隐式记忆：注意力缓存（KV Cache）、SSM/RNN 隐状态（Mamba、RWKV、Gated DeltaNet）；显式记忆：Datastore、TTT 可更新参数、Engram 式查找存储。

3

online 更新代表：Titans 的 surprise-driven 更新、Test-Time Training（TTT）。

4

核心论断：记忆正在从「计算的隐式副产品」，跃升为 LLM 架构设计的第一性维度（第二章展开）。

02

PART

趋势观察：记忆成为「第一性维度」

TREND · A PERSONAL TAKE

读这 7 篇下来，我自己越读越确信的一个判断是：拉长上下文窗口，是战术上的勤奋，战略上的懒惰。

拉长上下文窗口，是战术上的勤奋，战略上的懒惰

Transformer 的自注意力（KV Cache）本质是一种基于内容的瞬时工作记忆，开销随序列长度二次增长，还受窗口硬限制。于是大家拼命扩窗口——但唐杰团队在 #7 里点破：单纯「拉长」已经不够了。

原因是真实任务有时间跨度。一个科研助手不能每次对话都「忘记」过去的讨论；一个个性化助理不能每轮重新学你的偏好。问题不再是「能读多少 token」，而是 Agent 是否真的具备记忆机制——能存储、抽象、压缩、更新、甚至遗忘，并在长期过程中持续演化。

这个判断在论文数量上也能印证：2024 到 2026，记忆相关论文肉眼可见地变多，而且关注点从「怎么存」一路演化到「怎么抽象跨轨迹经验」（参考 #2 的 Storage→Reflection→Experience）。这看起来已经不是可选项，而是把 LLM 从「无状态文本生成器」变成「真正自适应 Agent」的必经之路。

所以我自己趋向于认为

记忆正在从 Agent 的一个外挂模块，变成 LLM 架构和 Agent 系统的第一性维度

谁先把记忆做对，谁就拿到下半场 agentic 效用的入场券——这是我自己的看法，不一定对，欢迎拍砖。

///

LAST

结尾

WRAP-UP · AN OPEN QUESTION

我自己在读的时候，也常觉得这几篇好像在说两码事。后来理顺了：它们其实在讲两层不同的东西。

主线一：Agent 层记忆（#1~#6）

这是 Agent 框架在外部管理的记忆——对话日志、经验轨迹、反思摘要、外部知识库。它关心的是「Agent 跨 session 怎么保留和复用经验」。前 6 篇基本都在这层，差异只是分类法和侧重点（#1 重操作、#2 重演化、#3 重评测、#4 重系统、#5 重边界、#6 重认知）。

主线二：模型层记忆（#7）

这是 LLM 底层网络自己的记忆——KV Cache、SSM 隐状态、TTT 的可更新参数、Engram 式查找存储。它关心的是「模型在推理时怎么表示、压缩、更新历史信息」。这层的创新直接影响模型架构本身，而不是调用方式。

两条线互补，不是替代。做 Agent 框架（比如我手上的 Knot / FractalClaw）时，得先想清楚：哪些记忆该放在 Agent 层（经验、用户画像、工具结果），哪些该期待底层模型自己解决（长上下文压缩、在线更新）。我个人观察到的一个坑是：把模型层的事硬塞进 Agent 层，prompt 会越来越臃肿、注意力被噪声淹没；反过来，把该抽象的经验丢给模型，又会缺了跨 session 的能力。

Agent 层管「该记住什么经验」，模型层管「怎么高效记住」

两层的分类法（#2 的三段式 vs #7 的三维轴）合起来，基本就是今天设计记忆系统的完整坐标系。

7 篇看下来，记忆已经从「锦上添花」变成了 Agent 的命门，这点我越来越确信。但有个问题我还没想太明白：当 Agent 同时跑在多个 session、对接多个用户、调用几十个工具时，记忆的「边界」该划在哪里——是按用户、按任务、还是按会话？你们团队现在做 Agent 记忆时，最头疼的是哪一层？评论区聊聊，我也想听听不同的踩坑经验。

普通人如何抓住AI大模型的风口？

领取方式在文末

2026年入行AI大模型的黄金窗口!!!

AI产业正迎来前所未有的爆发式增长。 从DeepSeek以百万年薪重金招募顶尖研究员，到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局，再到国家层面持续出台政策，大力扶持数字经济与AI人才培育体系，多重信号清晰指向一个共识：AI的“黄金十年”已全面开启

在产业浪潮的强劲推动下，AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动，催生海量高价值岗位。放眼未来，AI领域的职业发展前景广阔无垠，正涌现出大量高潜机遇，堪称一片值得深耕的**“人才蓝海”**。

脉脉数据显示📊：
2026年1-2月，AI岗位数量同比增长约12倍，增速远超新经济行业整体增幅；AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%，几乎占据新经济招聘市场的四分之一。

与此同时，AI新发岗位平均月薪高达60738元，较新经济行业整体平均月薪48189元高出约26%。

这一切都说明一件事：2026年，正是入行AI大模型的黄金窗口❗️❗️

最佳学习路线

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】