Agent Memory 文献追踪:异构存储与经验记忆机制解析
综述背景
在 AI Agent 领域,Memory(记忆)是构建长期对话智能体的核心组件。《Memory in the Age of AI Agents: A Survey》一文将记忆形式化地划分为三个层次:形成、演进和召回。这与早期 Survey《Rethinking Memory in AI》中提出的梳理、索引、更新、删除、检索、整合六大任务框架高度契合。

从方法总结来看,不同工作侧重点各异。对于工程实现而言,异构内容的存储形态尤为关键。

此外,Survey 还强调了一个常被忽视的议题:记忆系统不仅要记录用户信息和事实,更要沉淀 Agent 的经验。这直接关系到 Agent 如何演化,也是本文后续关注的重点。
下文将聚焦于几个典型方案,分析其在具体实践中的做法与优劣。需要注意的是,现有 Benchmark 虽覆盖了该领域的诸多方面,但指标与实际开发中的适用性仍有差距,因此本文侧重方法论分析而非单纯的效果对比。
MemoryBank: 长期记忆的初步探索
MemoryBank 作为早期经典工作,常被用于基准比较。
记忆入库
- 会话总结:针对每日对话,提取关键信息摘要和用户画像描述。
- 全局整合:归总所有用户画像,形成全局用户画像。
- 时间戳与强度:为每日对话和摘要打上时间戳及
callback 强度指标(初始值为 1)。
记忆检索
直接使用当前用户的语义表征进行查询,无额外处理。
记忆更新与遗忘
该方案采用基于记忆曲线的管理方式。每当历史记忆被召回,其 callback 强度 加 1。是否丢弃取决于两个因素:callback 强度 (S) 和上次召回距今的时间差 (t)。丢弃条件为 R > 阈值,其中 $R = e^{t/S}$。
不过该机制存在明显局限:记忆是否被遗忘主要看召回频率,而召回依赖相似度。一些有用但不常用的内容注定会被遗忘;需要知识推理做二度关联的内容,也会因表征不相似而无法被检索到。
ZEP: 时序知识图谱架构
ZEP 提出了一种三层记忆库架构,均以图的形式存储:原始层(Episode)、知识图谱层(Semantic)和信息图聚类层(Community)。其中原始层和信息图聚类层仅与知识图谱层有边连接。
记忆入库
- 一次性初始化:原始消息存入原始层;利用 LLM 提取实体关系三元组存入知识图谱层;通过 LPA 图聚类生成 Cluster 节点存入信息图聚类层。
- 记忆更新:新消息直接存入原始层;提取三元组后查询已有关系,若冲突则将旧知识标记为无效并写入新知识;新知识继承关联节点的标签。
记忆查询
- 召回:将用户消息作为 Query,结合表征检索、BM25 检索及 BFS 图搜索。实验选取 Top-20 节点与边。
- 重排:使用 BGE-reranker 进行重排。
- 整合:将记忆填入 Prompt 模板。





