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。01PART7 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。A Survey on the Memory Mechanism of LLM Based Agents2024机构中国人民大学 华为诺亚方舟实验室链接arXiv:2404.13501https://arxiv.org/abs/2404.13501 代码库LLM_Agent_Memory_Surveyhttps://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_{t1} LLM{R(P(M_t, W({a_t,o_t})), c_{t1})}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。From Storage to Experience: A Survey on the Evolution of LLM Agent Memory MechanismsACL 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:2605.06716https://arxiv.org/abs/2605.06716 代码库Evolving-LLM-Agent-Memory-Surveyhttps://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。Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers2026.03作者Pengfei Du链接arXiv:2603.07670https://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。Rethinking Memory Mechanisms of Foundation Agents in the Second Half2026.02机构UIC、UIUC、UW-Madison 等 20 高校 Salesforce / Google / Meta / Roblox / Cisco / Capital One链接arXiv:2602.06052https://arxiv.org/abs/2602.06052 资源库Awesome-Agent-Memoryhttps://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。420 机构联合出品文献雷达价值高适合长期跟踪。Memory in the Age of AI Agents2025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6940ca3494d1bc07b495af8dhttps://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。AI meets brain: Memory systems from cognitive neuroscience to autonomous agents2025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。Memory for Large Language Models2026.07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:2607.25380https://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。3online 更新代表Titans 的 surprise-driven 更新、Test-Time TrainingTTT。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。02PART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0690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~】