近期，不错的LLM Agent统一记忆框架综述~
随着GPT、Qwen、Claude等大模型能力持续提升，LLM-based Agent 正在从单轮问答走向更复杂的长期任务：多轮对话、个人助手、游戏智能体等。在这些场景中，Agent 不仅要理解当前输入，还要持续积累过去的交互、偏好、事实变化和任务状态。
一个直接方案是把历史消息全部放进 prompt，也就是naive long-context prompting。但这种方式会带来几个明显问题：上下文窗口可能溢出，token 成本高，推理延迟增加，并且模型也不一定能找到真正相关的证据。
因此，Agent Memory 的核心目标是：不要让模型“每次重读全部历史”，而是让系统主动维护一套记忆机制，在需要时取回相关信息，帮助 LLM 进行更可靠的长期推理。
Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework
这篇论文面向LLM Agent 长期记忆机制的系统化理解与评测，从模块化视角统一抽象现有方法，并在一致实验设置下分析不同设计在效果、成本与鲁棒性上的表现，为后续记忆系统设计提供经验和参考。
1. 统一框架：把 Agent Memory 放进同一张图里
论文提出的统一框架将 Agent Memory 拆解为四个核心组件：Information Extraction、Memory Management、Memory Storage和Information Retrieval。
该框架可以统一刻画各种 Agent Memory 代表性方法，将它们拆解到同一组组件中进行系统分析。
2. 四个核心组件：Agent Memory 到底由什么组成？
Information Extraction：记什么？
信息提取决定哪些内容会进入记忆系统，现有方法主要包括三类：直接归档、总结式提取和基于图的提取。
Memory Management：怎么维护记忆？
记忆管理决定新旧记忆如何融合、演化和遗忘。论文将该过程总结为五类操作：连接相关经验、整合碎片记忆、在不同记忆层级之间迁移、更新已有记忆、以及过滤无用信息。
Memory Storage：存在哪里、用什么结构存？
记忆存储可以从两个维度理解：组织结构和表示方式。在组织结构上，分为扁平式存储（JSON、队列）和层级式存储（长短期、树结构中的不同层级）。在表示方式上，分为基于向量的存储和基于图的存储。
Information Retrieval：如何取回相关记忆？
信息检索决定当前 query 到来时，系统如何从记忆中找到最有用的信息。论文将其分为四类。
词汇匹配检索例如 BM25 或 Jaccard，精确匹配实体、名称和关键词。
向量检索依赖向量余弦相似度、ANN 算法，是许多方法的基础检索方式。
结构检索利用图或树中的显式连接，通过邻居扩展、图遍历找到相关信息。
LLM辅助检索让 LLM 参与检索过程，识别关键信息，或直接判断记忆相关性。
3. 实验：统一复现、系统比较
3.1 做了哪些实验？
LOCOMO是一个人类长期对话记忆数据集，问题覆盖单跳、多跳、时间推理和开放域知识等类型。
LONGMEMEVAL是一个用户与 AI 长期交互记忆数据集，用于评估信息提取、多会话推理、知识更新和时间推理等能力。
围绕这两个数据集，我们统一复现并比较 10 个代表性 Agent Memory 方法，实验包括：整体性能对比、token 消耗情况及性能-成本权衡、上下文扩展性分析、证据位置敏感性分析，以及不同底层 LLM 下的表现对比。
3.2 主要结果与发现
- 在整体性能表现中，MemTree、MemoryOS、MemOS 等层次化或树状方法表现突出，说明多层结构能够同时保留高层摘要和底层证据，更适合复杂长期任务。
- 将多轮对话作为一个整体进行处理可以显著降低 token 消耗，适当的粗粒度处理反而可能提升记忆效果。
- 当上下文规模扩展到 200% 时，几乎所有方法都会出现性能下降。相比之下，采用更明确层次管理的方法通常更稳定。
- 多数方法存在证据位置敏感性：当关键证据位于更早会话时，很多方法更容易被后续信息干扰而检索失败。
- 现有记忆架构仍然依赖底层 LLM 的推理能力。从 Qwen2.5-7B 扩展到 72B 后，多数方法都有明显提升。
3.3 新SOTA算法
基于上述发现，我们进一步组合 MemTree/MemOS 的树状组织能力与 MemoryOS 的分层存储架构，设计出一个新的低 token 开销 Agent Memory 框架。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～