https://kkbill.github.io/tags/memory/ Recent content in Memory on kkBill's Blog Hugo en Fri, 08 May 2026 10:00:00 +0800 https://kkbill.github.io/posts/memory-in-the-llm-era/ Fri, 08 May 2026 10:00:00 +0800 https://kkbill.github.io/posts/memory-in-the-llm-era/ <blockquote> <p><strong>论文</strong>: <a href="https://arxiv.org/abs/2604.01707">Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework</a></p> <p><strong>导读</strong>：这篇综述对现有的记忆框架进行了总结，相比于 <a href="https://arxiv.org/abs/2512.13564">Memory in the Age of AI Agents</a> 和 <a href="https://arxiv.org/abs/2602.06052">Rethinking Memory Mechanisms of Foundation Agents in the Second Half: A Survey</a>，这篇综述篇幅较为简短，覆盖的主题也相对较少——即重点专注于对记忆框架的整理。我觉得这篇文章对新手更加友好，不会一下子引入过多的概念。对于有一定经验的 Agent Memory 从业者而言，这篇文章也是一份不错的复习资料。</p> </blockquote> <h1 id="1-引言">1 引言</h1> <p>智能体能够自主运行、适应多样化环境，并支持针对用户需求的个性化交互。支撑这种智能行为的关键能力之一是记忆机制。如图1所示，通过维护并利用过往交互中的相关信息，记忆机制使智能体能够超越原始的长上下文提示（naive long-context prompting）。为智能体配备记忆机制后，它们能够随时间积累经验、保持上下文知识，并做出更明智的决策——类似于人类依靠记忆从过往经验中学习并指导未来的行动。</p> <img src="images/image.png" alt="image" style="max-width: 70%; height: auto; display: block; margin: 1rem auto;"> <p>近年来，出现越来越多的记忆方法，以增强智能体在跨交互场景中<strong>保留、组织和利用历史信息的能力</strong>。这些方法旨在使智能体超越无状态推理（stateless reasoning，不依赖持久化记忆，每次推理独立进行），转而支持长期规划、个性化和自适应决策。表1总结了十种具有代表性的智能体记忆方法，按照四个关键维度进行分类：<strong>底层存储结构、信息提取机制、记忆管理策略和检索方法</strong>。</p> <p><img alt="image.png" loading="lazy" src="https://kkbill.github.io/posts/memory-in-the-llm-era/images/image%201.png"></p> <p>本文提出一个统一的模块化框架，该框架将记忆机制分解为四个阶段，包括 <strong>信息提取（Information Extraction）、记忆管理（Memory Management）、记忆存储（Memory Storage）和信息检索（Information Retrieval）</strong>。在此框架下，我们在两个典型的长期对话基准测试 LoCoMo 和 LongMemEval 上进行评估。</p> <h1 id="2-预备知识">2 预备知识</h1> <p>本节介绍现有记忆方法中的一些重要概念和典型工作流，并讨论 RAG 与记忆之间的关系。</p> <h2 id="21-llm-相关概念">2.1 LLM 相关概念</h2> <p><strong>LLM Prompting</strong></p>