在過去兩年里，記憶（Memory）幾乎從 “可選模塊” 迅速變成了 Agent 系統(tǒng)的 “基礎(chǔ)設(shè)施”：對話型助手需要記住用戶習(xí)慣與歷史偏好；代碼 / 軟件工程 Agent 需要記住倉庫結(jié)構(gòu)、約束與修復(fù)策略；深度研究型 Agent 需要記住已閱讀的證據(jù)鏈、關(guān)鍵假設(shè)與失敗路徑，沒有 memory 的智能體難以跨任務(wù)保留有效經(jīng)驗，難以穩(wěn)定維護用戶偏好與身份設(shè)定，也難以在長周期協(xié)作中保持行為一致、避免反復(fù)犯同樣的錯誤。與此同時 Memory 概念在迅速膨脹、也在迅速碎片化：很多論文都聲稱自己在做 “agent memory”，但實現(xiàn)方式、目標(biāo)假設(shè)、評價協(xié)議差別巨大，多術(shù)語并行又進一步模糊了邊界。

在這樣的背景下，來自新加坡國立大學(xué)、中國人民大學(xué)、復(fù)旦大學(xué)、北京大學(xué)等頂級學(xué)術(shù)機構(gòu)共同撰寫并發(fā)布了百頁綜述《Memory in the Age of AI Agents: A Survey》，嘗試用統(tǒng)一視角為快速擴張、卻日益碎片化的 “Agent Memory” 重新梳理技術(shù)路徑。

• 論文鏈接： https://arxiv.org/abs/2512.13564
• Github 鏈接： https://github.com/Shichun-Liu/Agent-Memory-Paper-List

綜述首先指出傳統(tǒng)的 “長 / 短期記憶” 二分法，已經(jīng)不足以描述當(dāng)代系統(tǒng)里更復(fù)雜的結(jié)構(gòu)形態(tài)與動態(tài)機制：有的記憶是顯式 token 存儲，有的寫進參數(shù)，有的駐留在潛在狀態(tài)；有的服務(wù)于事實一致性，有的服務(wù)于經(jīng)驗遷移，有的服務(wù)于單次任務(wù)的工作臺管理 —— 如果繼續(xù)用簡單時間尺度切分，就很難真正解釋這些差異。

基于此，該綜述提出一個統(tǒng)一的分析框架：Forms–Functions–Dynamics（三角框架）。它試圖分別回答三類核心問題：

記憶以什么形式存在（Forms）——What Carries Memory? 是外部 token、參數(shù)，還是潛在狀態(tài)？

記憶解決什么問題（Functions）——Why Agents Need Memory? 它服務(wù)于事實一致、經(jīng)驗成長，還是任務(wù)內(nèi)工作記憶？

記憶如何運轉(zhuǎn)與演化（Dynamics）——How Memory Evolves? 它如何形成、如何被維護與更新、又如何在決策時被檢索與利用？

概念辨析：Agent Memory 到底

和 LLM Memory、RAG、Context Engineering 有何不同？

在大量工程實踐中，“Memory” 這個詞往往被迅速簡化為幾個具體實現(xiàn)：一個向量數(shù)據(jù)庫加上相似度檢索，或者干脆等同為更長的上下文窗口、更大的 KV cache。在這種理解下，只要模型 “還能看到過去的信息”，系統(tǒng)似乎就已經(jīng)具備了記憶能力。然而，綜述明確指出：這些技術(shù)與 Agent Memory 確實存在交集，但在研究對象和問題層級上并不等價

Agent Memory：持久的、可自我演化的 “認(rèn)知狀態(tài)”

Agent Memory 關(guān)注的是智能體持續(xù)維持的認(rèn)知狀態(tài)，它不僅 “存”，還要能在交互中不斷更新、整合、糾錯、抽象，并跨任務(wù)保持一致性。獨特性在于維護一個persistent and self-evolving cognitive state，并把事實與經(jīng)驗整合在一起。Agent Memory 關(guān)心的是 “智能體知道什么、經(jīng)歷過什么，以及這些東西如何隨時間變化”，包括把反復(fù)交互沉淀成知識、從成功 / 失敗中抽象程序性知識、跨任務(wù)保持身份一致性等。

LLM Memory：“模型內(nèi)部機制 / 長序列處理”

確實存在一條與 Agent Memory 不同、但同樣重要的研究路線 —— 真正意義上的 LLM-internal memory。這類工作關(guān)注的不是智能體如何在長期交互中積累經(jīng)驗，而是模型在內(nèi)部計算過程中如何更有效地保留和利用序列信息。這些方法的核心問題是：在一次或有限次推理過程中，如何避免早期 token 的信息衰減，如何在計算與顯存受限的前提下保持對長距離依賴的建模能力。其研究對象，本質(zhì)上是模型內(nèi)部的狀態(tài)與動態(tài)。它們并不假設(shè)模型是一個長期存在、需要跨任務(wù)保持身份與目標(biāo)的自主體，也不要求模型與環(huán)境進行持續(xù)交互或做出一系列有后果的行動決策。換言之，這些方法即便不引入 agentic 行為，也完全成立：模型依然可以在單次問答、長文檔理解或摘要等任務(wù)中受益。

RAG：“靜態(tài)知識訪問”

RAG 通常強調(diào)從外部知識庫檢索靜態(tài)信息以提升回答事實性；它可以是 Agent Memory 的一部分實現(xiàn)，但如果系統(tǒng)沒有長期一致性、沒有演化機制、沒有跨任務(wù)的 “自我”，那么它更像 “知識訪問模塊”，而非完整記憶系統(tǒng)。這個差別在綜述的概念對照圖說明里也被點明：RAG 更接近 “static knowledge access”。

Context Engineering：“當(dāng)下推理的外部腳手架”

Context Engineering 的目標(biāo)常常是：在上下文窗口受限時，如何組織提示、壓縮信息、構(gòu)建工具輸出格式等 —— 它優(yōu)化的是 “此刻模型看到什么”。而論文強調(diào)：Context Engineering 是外部腳手架；Agent Memory 是支持學(xué)習(xí)與自主性的內(nèi)部基底。前者優(yōu)化當(dāng)下接口，后者維持跨窗口、跨任務(wù)的持續(xù)認(rèn)知狀態(tài)。

Forms：記憶的載體是什么？

綜述把 agent memory 的形式歸納為三大類：token-level /parametric/latent

這三類的差別聚焦于：信息以什么表示、在哪里存、如何讀寫、以及可解釋性與可塑性的取舍

Token-level Memory：最 “顯式” 的記憶層

token-level memory 的定義非常直觀：它把信息存成持久、離散、可外部訪問與檢查的單元；這里的 token 不僅是文字 token，也可以是視覺 token、音頻幀等，只要是可寫、可檢索、可重排、可修改的離散元素即可。

為什么它在工程里最常見？因為它天然具備三種優(yōu)勢：

1.透明：你能看到存了什么；

2.可編輯：能刪改、能糾錯；

3.易組合：適合作為檢索、路由、沖突處理的 “中間層”，并與 parametric/latent memory 協(xié)同。

但 token-level 并不是 “一個向量庫” 那么簡單。進一步按 “拓?fù)浣Y(jié)構(gòu)復(fù)雜度” 可以把它分成三種組織方式：

• Flat Memory（1D）：沒有顯式拓?fù)潢P(guān)系，記憶像序列 / 離散單元一樣累積（例如片段、軌跡）。它的優(yōu)點是實現(xiàn)簡單、寫入快；缺點是檢索與更新容易退化成 “相似度匹配 + 越存越亂”。
• Planar Memory（2D）：單層結(jié)構(gòu)化組織，記憶單元之間通過圖、樹、表等關(guān)系連接，但不分層。它更適合多跳推理、關(guān)系約束與一致性維護；代價是構(gòu)建與維護結(jié)構(gòu)更復(fù)雜。
• Hierarchical Memory（3D）：多層結(jié)構(gòu)并帶跨層鏈接，形成 “分層 / 立體化” 的記憶體系。它的動機往往是：既要保留細(xì)節(jié)，又要形成抽象總結(jié)，并讓檢索可以在不同粒度之間切換。

這反應(yīng)了當(dāng)記憶規(guī)模增大，單純堆歷史就會暴露弊端，必須引入結(jié)構(gòu)（2D）與分層抽象（3D），才能讓長期存在的外部記憶真正可用。

Parametric Memory：把記憶 “寫進權(quán)重”

Parametric memory 的定義是：信息存儲在模型參數(shù)中，通過參數(shù)空間的統(tǒng)計模式編碼，并在前向計算中被隱式訪問。它更像人類 “內(nèi)化后的直覺”：不用每次檢索外部庫，模型直接學(xué)會并記住這些內(nèi)容。但代價同樣明顯：

• 需要訓(xùn)練 / 更新權(quán)重（成本高）
• 難以精確編輯與審計
• 容易和遺忘、分布漂移、災(zāi)難性遺忘問題糾纏在一起

Latent Memory：藏在隱狀態(tài) / 連續(xù)表示里的 “動態(tài)記憶”

Latent memory 的定義是：記憶以模型內(nèi)部隱狀態(tài)、連續(xù)表示或演化的潛在結(jié)構(gòu)存在，可在推理時或交互周期中持續(xù)更新，用于捕捉上下文相關(guān)的內(nèi)部狀態(tài)。

它介于 “外部顯式存儲” 和 “權(quán)重內(nèi)化” 之間：比 token-level 更緊湊、更接近模型計算過程；比 parametric 更容易在推理期更新，但也往往更難解釋、更難審計。

Functions：記憶的功能是什么？

這一分類角度是這篇綜述的核心觀點之一，它不再用 “長 / 短期” 這種時間尺度粗分，而是用功能角色把 agent memory 分成三類：

• Factual memory（事實記憶）：記錄來自用戶與環(huán)境交互的知識
• Experiential memory（經(jīng)驗記憶）：從任務(wù)執(zhí)行中增量提升解決問題的能力
• Working memory（工作記憶）：管理單個任務(wù)實例中的工作區(qū)信息

這三個概念的價值在于：它們對應(yīng)的是三種完全不同的 “記憶失敗模式”，也對應(yīng)三類不同的系統(tǒng)設(shè)計。

Factual Memory：讓智能體 “記住世界”，并且可核查

事實記憶的一個關(guān)鍵目標(biāo)，是提供一個可更新、可檢索、可治理（governable）的外部事實層，讓系統(tǒng)在跨 session / 跨階段時有穩(wěn)定參考。 這類記憶不只面向 “用戶偏好”，也面向 “環(huán)境事實”：長文檔、代碼庫、工具狀態(tài)、交互軌跡等。

環(huán)境事實記憶能成為持續(xù)可更新、可審計、可復(fù)用的外部事實層；在協(xié)作維度還能維持跨 agent、跨階段一致性，從而支撐多來源信息與長周期任務(wù)下的穩(wěn)健執(zhí)行。

如果你做過 “多輪對話 + 多工具 + 多資料” 的系統(tǒng)，你會非常熟悉這種痛點：事實一旦散落在歷史對話里，就會反復(fù)被遺忘、被誤引、被編造。事實記憶的意義，就是把 “可核查的世界狀態(tài)” 從臨時上下文里抽出來，變成可維護的對象。

Experiential Memory：讓智能體 “吃一塹長一智”

經(jīng)驗記憶的定義更像能力的積累：它把歷史軌跡、提煉后的策略、交互結(jié)果編碼為可持久檢索的表示。它與工作記憶不同：工作記憶管 “眼前這一題”，經(jīng)驗記憶關(guān)心 “跨 episode 的長期積累與遷移”。

綜述把經(jīng)驗記憶與認(rèn)知科學(xué)里的非陳述性記憶（程序性 / 習(xí)慣系統(tǒng)）類比，同時指出 agent 的獨特優(yōu)勢：它往往用顯式數(shù)據(jù)結(jié)構(gòu)存儲，因此反而具備生物體沒有的能力 ——可以內(nèi)省、編輯、并對自己的程序性知識做推理。經(jīng)驗記憶給了智能體一種避免頻繁參數(shù)更新的持續(xù)學(xué)習(xí)路徑，把交互反饋轉(zhuǎn)化為可復(fù)用知識，幫助系統(tǒng)糾錯、抽象啟發(fā)式、編譯常規(guī)行為，從而減少重復(fù)計算并提升決策質(zhì)量。

經(jīng)驗記憶按抽象層級分成三類：

• Case-based：幾乎不加工的歷史記錄，強調(diào)保真度，用作 in-context exemplars；
• Strategy-based：從軌跡中蒸餾可遷移的推理模式 / 工作流，作為規(guī)劃腳手架；
• Skill-based：把策略進一步落到可執(zhí)行技能（代碼片段、API 協(xié)議等），成為可組合的執(zhí)行底座。

Working Memory：讓智能體在 “單次任務(wù)里” 不被信息淹沒

工作記憶聽起來像短期記憶，但在 agent 場景里，它最典型的問題不是時間短，而是：即時輸入太大、太雜、模態(tài)太高維（長文檔、網(wǎng)頁 DOM、視頻流……），在固定 attention / 上下文預(yù)算下必須建立一個 “可寫工作區(qū)”。

• 一類是 single-turn working memory：目的就是單次調(diào)用之內(nèi) “減 token”，包括 hard/soft/hybrid 壓縮，以及輸入內(nèi)容結(jié)構(gòu)化、抽象化；
• 另一類為 multi-turn working memory：關(guān)注多輪之間的狀態(tài)維持與壓縮、針對子任務(wù)的折疊剪切、使用 planning 管理記憶等等。

Dynamics：記憶是如何運轉(zhuǎn)的？

如果說 Forms 解決 “記憶放哪兒”、Functions 解決 “記憶干嘛用”，那 Dynamics 解決的就是：記憶系統(tǒng)如何運轉(zhuǎn)。

記憶的生命周期可以概括為三段：Memory Formation（形成）—Memory Evolution（演化）—Memory Retrieval（檢索），并強調(diào)三者構(gòu)成一個相互反饋的循環(huán)：形成階段抽取新信息；演化階段做整合、沖突消解與剪枝；檢索階段提供面向當(dāng)前任務(wù)的訪問；推理結(jié)果與環(huán)境反饋又反過來影響下一輪形成與演化。

Formation：從 “原始上下文” 到 “可存可取的知識”

Formation 階段把原始上下文（對話、圖像等）編碼成更緊湊的知識。動機非常直接：full-context prompting 會帶來計算開銷、內(nèi)存壓力、以及在超長輸入上的推理退化，因此需要把關(guān)鍵信息蒸餾成更高效的表示。

formation 操作進一步分成五類：語義總結(jié)、知識蒸餾、結(jié)構(gòu)化構(gòu)建、潛在表示、以及參數(shù)內(nèi)化。這五類幾乎對應(yīng)了 Forms 的三種載體：總結(jié) / 結(jié)構(gòu)化更偏 token-level；潛在表示偏 latent；參數(shù)內(nèi)化對應(yīng) parametric。

Retrieval：決定 “記憶是否真的能幫你做決策”

retrieval 形式化為一個操作：在每個時間步，根據(jù)當(dāng)前觀察與任務(wù)構(gòu)造查詢，并返回相關(guān)記憶內(nèi)容；返回的記憶信號會被格式化成 LLM 策略可直接消費的文本片段或結(jié)構(gòu)化摘要。

檢索不必每步發(fā)生，可能只在任務(wù)初始化發(fā)生，也可能間歇觸發(fā)或持續(xù)觸發(fā)；而 “短期 / 長期” 效果往往不是因為搭載了兩個模塊，而是由 formation/evolution/retrieval 的觸發(fā)節(jié)奏決定的。這點對工程實踐有指導(dǎo)意義：很多系統(tǒng)并非缺一個長期庫，而是觸發(fā)策略不對、導(dǎo)致記憶無法進入決策回路。

Evolution：記憶庫也需要 “維護與新陳代謝”

Evolution 階段的任務(wù)是把新增記憶與已有記憶整合，通過合并相關(guān)條目、沖突消解、剪枝等機制，讓記憶保持可泛化、連貫且高效。

這也是為什么 “記憶系統(tǒng)” 遲早會走向更復(fù)雜的治理問題：刪什么、留什么、如何避免自相矛盾、如何避免隱私泄漏、如何給多智能體共享時加規(guī)則…… 這些都屬于 evolution 的范疇。

資源整理：Benchmark 與開源框架

綜述專門用 Section 6 匯總 benchmarks 與開源框架資源，這是支持實證研究與落地開發(fā)的關(guān)鍵基礎(chǔ)設(shè)施，方便相關(guān)科研工作者查閱。

前沿展望：下一代記憶系統(tǒng)走向何方？

與其把記憶當(dāng)作一個檢索插件，不如把它當(dāng)作智能體長期能力的 first-class primitive，作為 agent 的核心功能之一：

• Memory RetrievalMemory Generation（記憶從 “找出來” 變成 “生成出來”）；
• Hand-craftedAutomated Memory Management（記憶系統(tǒng)從 “人工寫規(guī)則” 變成 “自動管理”）；
• Heuristic PipelinesRL-driven Control（從啟發(fā)式流程走向強化學(xué)習(xí)端到端優(yōu)化）；

并進一步討論這些變化如何與多模態(tài)、多智能體協(xié)作、可信安全等主題交織。

記憶檢索 vs 記憶生成：從 “取片段” 到 “做抽象”

傳統(tǒng)檢索范式把記憶看成一個已經(jīng) “寫好” 的倉庫：當(dāng)前任務(wù)需要什么，就從向量庫 / 圖結(jié)構(gòu) / 重排器里把最相關(guān)的片段找出來拼進上下文，核心指標(biāo)是檢索的 precision/recall。大量工作圍繞索引、相似度、重排、結(jié)構(gòu)化來提升 “找得準(zhǔn)不準(zhǔn)”。 但 Agent 真正的長期能力不只依賴 “取回舊文本”，而更依賴一種面向未來的抽象

• 記憶不必是原始碎片，它可以被壓縮、重組、重寫成更適合后續(xù)推理的表示；
• 尤其當(dāng)原始記錄冗余、噪聲大、與任務(wù)不對齊時，“拼接式檢索” 往往把上下文塞滿，卻不一定讓模型更會做事。

這有兩條主線：

1）Retrieve-then-Generate：先檢索，再把檢索到的材料重寫成更緊湊、更一致、更任務(wù)相關(guān)的 “可用記憶”，如 ComoRAG、G-Memory、CoMEM 這類思路，保留可追溯的歷史 grounding，同時提升可用性；

2）Direct Generation：不顯式檢索，直接從當(dāng)前上下文 / 交互軌跡 / 潛在狀態(tài)中生成記憶表示，比如用 “潛在記憶 token” 的方式繞開傳統(tǒng)查庫。

而未來則更關(guān)注三個方面：

• Context-adaptive（上下文自適應(yīng)）：不是一刀切總結(jié)，而要能隨任務(wù)階段與目標(biāo)動態(tài)調(diào)整粒度與抽象層次；
• Integrate heterogeneous signals（融合異質(zhì)信號）：把文本、代碼、工具輸出、環(huán)境反饋等碎片 “熔成” 統(tǒng)一表示；
• Learned & self-optimizing（可學(xué)習(xí)且自優(yōu)化）：什么時候生成、生成成什么樣，不再靠人工規(guī)則，而由優(yōu)化信號（例如 RL 或長期任務(wù)表現(xiàn)）驅(qū)動，與推理 / 決策共同進化。

自動化記憶管理：從 “寫規(guī)則” 到 “讓 Agent 自己管記憶”

如今很多搭載 memory 的 Agent 其記憶行為本質(zhì)仍是工程規(guī)則—— 寫什么、什么時候?qū)憽⒃趺锤?/ 怎么取，都靠提示詞、閾值、人工策略。這樣做的好處是成本低、可解釋、可復(fù)現(xiàn)，適合快速原型；但缺點也同樣致命：僵硬、難泛化，在長程或開放式交互里容易失效。因此近期開始出現(xiàn)讓 Agent自主參與記憶管理的方向

• 讓模型把細(xì)粒度條目自動聚類成更高層抽象單元；
• 引入專門的 “memory manager” 代理來處理更新。

但很多方法仍被手工規(guī)則牽引，或只在狹窄目標(biāo)上優(yōu)化，因此離通用自動記憶還有距離。而未來可能的路線有兩條：

第一條是把記憶操作顯式接入決策

不再把記憶當(dāng)外部模塊，而是讓 Agent 在每一步都能通過工具調(diào)用式接口執(zhí)行 add/update/delete/retrieve，并且 “知道自己做了什么記憶動作”。這會讓記憶行為更連貫、更透明、更能與當(dāng)前推理狀態(tài)對齊。

第二條是走向自優(yōu)化的記憶結(jié)構(gòu)

不僅僅 “分層存儲”，更要讓記憶庫能動態(tài)鏈接、索引、重構(gòu)，使存儲結(jié)構(gòu)本身隨時間自組織，從而減少對手工規(guī)則的依賴，最終支持更魯棒、可擴展的自主記憶。

強化學(xué)習(xí) × 記憶：記憶控制正在被 RL “內(nèi)化” 進策略

在 Memory 中引入 RL 是一種從 pipeline 到 model-native 的轉(zhuǎn)向：早期大量系統(tǒng)要么是閾值 / 語義檢索 / 拼接等啟發(fā)式；要么看起來很 “agentic”，但其實只是 prompt 驅(qū)動，模型并沒受過任何有效記憶控制的訓(xùn)練。

隨后出現(xiàn)RL-assisted memory：只對記憶生命周期的某一環(huán)節(jié)上 RL，比如：

• 用輕量 policy gradient 給檢索到的 chunk 排序（后重排）；
• 訓(xùn)練記憶寫入 / 壓縮 / 折疊工作記憶的策略（Context Folding、Memory-as-Action、MemSearcher、IterResearch 等）。這一類已經(jīng)展示出很強的潛力，RL 很可能會在未來記憶系統(tǒng)里扮演更中心角色。

下一階段則更可能是Fully RL-driven memory。它需要滿足兩個理想特點：

1）盡量減少人類先驗

目前很多記憶系統(tǒng)借鑒人類認(rèn)知（海馬體 / 皮層類比）、預(yù)設(shè)層級（episodic/semantic/core），這些抽象對早期探索很有價值，但未必是人工智能體在復(fù)雜環(huán)境中的最優(yōu)結(jié)構(gòu)。若進入 fully RL-driven，Agent 有機會在優(yōu)化驅(qū)動下 “發(fā)明” 新的記憶組織形式、存儲 schema、更新規(guī)則。

2）讓 Agent 對全生命周期擁有完整控制

許多 RL 方法只覆蓋 “寫入” 或 “短期折疊”，卻沒把長期整合、演化、檢索策略真正統(tǒng)一起來。論文認(rèn)為，要讓形成 - 演化 - 檢索多粒度協(xié)同運轉(zhuǎn)，幾乎必然需要端到端 RL，因為僅靠啟發(fā)式或提示詞無法在長時域里協(xié)調(diào)這些復(fù)雜交互。

當(dāng)記憶成為可學(xué)習(xí)、可自組織、與 Agent 共進化的子系統(tǒng)時，它就不再是外掛，而會成為長期能力與持續(xù)學(xué)習(xí)的基礎(chǔ)設(shè)施。

多模態(tài)記憶：缺的不是 “能存圖”，而是 “跨模態(tài)統(tǒng)一語義與時間”

隨著 Agent 走向具身、交互式環(huán)境，信息來源天然是多模態(tài)的：視覺、動作、環(huán)境反饋等都會進入記憶系統(tǒng)。未來真正的難點不是把圖片 / 視頻 “塞進庫”，而是讓記憶支持異質(zhì)信號的統(tǒng)一存取與推理。當(dāng)前的兩個關(guān)鍵缺口在于：

• 目前沒有真正 “omnimodal” 的記憶系統(tǒng)，大多仍是單模態(tài)特化或松耦合；
• 多模態(tài)記憶需要從被動存儲走向支持抽象、跨模態(tài)推理與長期適應(yīng)。

多智能體共享記憶：從 “各聊各的” 到 “共享認(rèn)知底座”

MAS 的早期范式：每個 agent 有自己的局部記憶，通過消息傳遞來協(xié)作。這避免直接干擾，但會帶來冗余、上下文割裂、溝通開銷爆炸，團隊規(guī)模和任務(wù)時長一上來就撐不住。因此出現(xiàn)中心化共享記憶，其作為團隊共同 ground truth：支持聯(lián)合注意、減少重復(fù)、利于長程協(xié)作；但也引入新問題：記憶污染、寫沖突、缺少基于角色 / 權(quán)限的訪問控制。

共享記憶會從倉庫進化為主動管理的集體表示，有三條可能的方向：

• agent-aware shared memory：讀寫與角色、專長、信任綁定，使聚合更結(jié)構(gòu)化、更可靠；
• learning-driven management：不靠手工同步 / 總結(jié) / 沖突解決策略，而訓(xùn)練 agent 在長期團隊收益下決定何時寫、寫什么、怎么寫；
• 面向開放與多模態(tài)場景，共享記憶需要保持時間與語義一致性，作者認(rèn)為 latent memory 可能是一條有前景的路徑。

可信記憶：隱私、可解釋與抗幻覺，必須成為 “第一原則”

當(dāng)記憶進入長期、個性化、跨會話存儲后，問題已經(jīng)不再是傳統(tǒng) RAG 的 “是否會胡說”，而是一個更大的可信系統(tǒng)工程：因為 Agent 記憶會保存用戶偏好、歷史交互、行為痕跡等潛在敏感信息，風(fēng)險維度從 factuality 擴展到隱私、安全、可控與可審計。

隱私保護：需要更細(xì)粒度的權(quán)限記憶、由用戶主導(dǎo)的保留策略、加密或端側(cè)存儲、必要時的聯(lián)邦訪問；并可結(jié)合差分隱私、記憶脫敏 / 刪改、以及可驗證的 “遺忘” 機制（例如衰減式遺忘或用戶擦除接口）來降低泄露風(fēng)險。

可解釋性：不僅要看到 “記憶內(nèi)容”，還要能追蹤 “訪問路徑”：哪些條目被取了、如何影響生成、是否被誤用；甚至支持反事實分析（“如果不取這條記憶，會怎樣”）。論文提出未來可能需要可視化記憶注意、因果圖、面向用戶的調(diào)試工具等成為標(biāo)配。

抗幻覺與沖突魯棒性：在沖突檢測、多文檔推理、不確定性建模上繼續(xù)推進；包括低置信檢索時的拒答 / 保守策略、回退到模型先驗、或用多智能體交叉核驗等。論文還特別提到，機制可解釋性方法（例如在表示層面定位幻覺來源）可能會成為 “診斷 + 干預(yù)” 的新工具箱。

結(jié)語：把 “記憶” 當(dāng)作

智能體的 first-class primitive

通過 Forms/Functions/Dynamics 的統(tǒng)一視角，記憶不再是附屬插件，而是智能體實現(xiàn)時間一致性、持續(xù)適應(yīng)與長程能力的關(guān)鍵基底；未來隨著 RL 融合、多模態(tài)與多智能體場景興起，以及從檢索中心走向生成式記憶的趨勢，記憶系統(tǒng)將變得更可學(xué)習(xí)、更自組織、更具適應(yīng)性。