Agent Memory 文献追踪：异构存储与经验记忆机制

效果评估

在 LongMemEval 上，ZEP 在单轮检索、时序推理、跨 Session 检索及知识更新上表现优异。但在检索 Assistant 信息时表现不如直接历史对话，原因是 ZEP 仅对用户信息构建了知识图谱层，Assistant 信息仅保留在 Episode 层，且召回易受干扰。

SGMEM: 句子图记忆

SGMEM 将 User 和 Assistant 的话切分为句子，基于语义相似性构图。查询时定位起点并进行 1-hop 遍历。

记忆入库

1. 分块：按 N 句或轮次切分为 Chunk。
2. 建图：每个 Chunk 内的句子作为节点，构建归属边和语义相似边。

记忆检索

1. Query 处理：将用户消息切分为句子。
2. 查找：利用表征在图上查找相似节点，并查询其 1-hop 邻居。
3. 结果：提取 Step 2 和 Step 3 节点所属的 Chunk 作为结果。

记忆整合

使用语义 Re-ranker 对 Chunk 和 Message 的相似度排序，取 Top-k 拼接为 Context。

注意对比基准，SGMEM 使用的是 Qwen2.5-32B-Instruct，而 ZEP 使用了 GPT-4o。尽管如此，SGMEM 在 Top-10 Chunk 的综合准确率仍达到 70%+，略高于 ZEP 的结果。

MemTree: 分层树形记忆表示

MemTree 为 Agent 对话记录建立了 Hierarchical Cluster。分支节点不挂载具体内容，仅保留简述 c；叶子节点挂载记忆内容。

记忆入库

1. 表征生成：原文生成 Embedding。
2. 路由：从根节点开始逐层遍历分支节点的 c 表征，计算距离。
3. 挂载：若找到距离小于阈值的叶子节点，新记忆挂载其上，原节点升级为分支节点；否则在合适层级新增叶子节点。
4. 更新：挂载后，所有上级节点执行描述更新动作，确保 c 包含最新记忆信息。

记忆检索

将当前语句转化为检索表征，与树上所有节点的 c 进行相似性检索，不区分层级，配合阈值过滤和 Top-K 排序。

效果

在超长对话中，尤其是知识线索集中于末尾时，全文上下文正确率为 76.7%，而 MemTree 方法可达 84.2%。

HUMAN-INSPIRED EPISODIC MEMORY: KV Cache 记忆

此方法处理的是体外参数记忆（KV Cache），不区分 User 和 Assistant 信息，将所有上文视为历史。

1. 分块：计算 Token 的意外概率，以高概率 Token 作为分块标志。
2. 边界调整：基于块内部 Modularity 调试边界，Key 向量即为 Modularity 表征。
3. 索引：用块中累计 Attention Score 最高的 Key 向量作为索引。
4. 检索：生成下一句时，用 Query 查索引向量，获取 Top-K 个 KVCache 及其前后块，形成上下文。

Buffer of Thoughts: 经验性记忆

BOT 旨在沉淀 LLM 做对的经验。它将成功的 COT 和回答抽象为解题模板，存入 Buffer。处理新问题时，先抽象问题描述，再检索匹配的经验模板。

记忆入库

LLM 解决成功问题后，提炼模板。通过表征相似度检测，若高于阈值则丢弃，避免冗余。

记忆管理

早期版本未设计旧模板退出或更新机制。

记忆整合

使用【问题描述器】输出作为检索 Key，匹配后直接插入提示工程。

PRINCIPLES: 合成策略记忆

针对引导性对话场景，该方法通过 Role-play 模拟对话，评估策略有效性，提取成功与失败路径的策略。

记忆入库

利用多 LLM 进行 Role-play 采样策略，总结场景、成功策略及失败原因。

记忆索引

以用户语句语义表征为 Query，检索策略中的 Situation 部分，按 Top-k 选择。

记忆整合

召回策略经重写模块微调，使其适配当前场景，随后注入上下文。

思考与总结

1. 记忆内容的选择：首要问题是'记什么有用'。不同场景差异巨大，例如 Code/Tool Agent 已将记忆升格为 Skill，但对对话 Agent 而言并非最佳抽象。
2. 检索局限：多数方法中图搜索是对语义检索的补充，但本质上未解决深层推理问题。图结构本身也依赖语义表征建立，存在循环论证风险。教育场景中，仅靠题目语义无法找到认知缺陷，必须挖掘潜层信息。
3. 上下文腐烂：部分工作在记忆整合上下了功夫，但缺乏长期运行态下防止信息整合导致上下文腐烂的视角。
4. 学术与工程的平衡：学术追求泛用性，工程追求适用性。实际场景设计中，效用（效果、扩展性、维护难度）比贴合论文趋势更重要。学术方法未能收敛，或许正是因为既想泛用又想简洁。