Agent Memory 相关文献综述：异构存储与经验记忆
背景与框架
在 AI Agent 时代，记忆系统的形式化定义至关重要。《Memory in the Age of AI Agents: A Survey》提出了三个核心层次：形成、演进和召回。这与早期 Survey《Rethinking Memory in AI》中的六类任务（梳理、索引、更新、删除、检索、整合）高度对应。
该图清晰地展示了不同工作的专门方向。对于异构内容记忆工程而言，最关键的存储形态如下所示：
值得注意的是，Survey 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。
以下将介绍几篇代表性工作。尽管现有 Benchmark 覆盖了该领域诸多方面，但指标与实际开发适用性仍有差异，因此本文侧重于方法逻辑而非效果对比。
MemoryBank: 基于长时记忆的 LLM 增强
这篇经典工作常被作为基线参考。
记忆入库
- 会话总结：针对每日对话，生成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，形成全局视图。
- 时间戳与强度：为每条记忆打上时间戳及
callback 强度（初始值为 1）。
记忆检索
直接使用当前用户话语进行语义表征查询，无额外处理。
记忆更新与遗忘
采用记忆曲线管理策略。每次历史记忆被召回，其 callback 强度 加 1。丢弃决策取决于强度 SSS 和时间差 ttt，公式为 R = e^{t/S}。若 R 超过阈值则丢弃。
局限性分析：该方法依赖召回来决定遗忘，而召回又依赖相似度。这意味着一些有用但不常用的信息注定会被遗忘；需要知识推理进行二度关联的内容，也会因表征不相似而无法被检索到。
ZEP: 基于时序知识图谱的记忆架构
ZEP 构建了三层记忆库，均以图结构存储：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连接，形成类似二部图的结构。
记忆入库
- 初始化：原始消息存入 Episode 图；LLM 提取实体关系三元组存入 Semantic 图，并建立连接；对 Semantic 图进行 LPA 聚类，生成 Community 节点。
- 更新：新消息存入 Episode 层。通过实体查询和表征检索判断新旧三元组是否重复或冲突。冲突时标记旧知识无效并写入新知识，同时继承 Cluster 标签。
记忆查询
- 召回：以用户消息为 Query，结合表征检索、BM25 及 BFS 图搜索（实验选取 Top-20 节点与边）。
- 重排：使用 BGE-reranker 优化排序。
- 整合：填入 Prompt 模板。
