图结构Agent记忆：小白也能懂的AI大模型核心技术（收藏版）

Python程序员小泉

916人浏览 · 2026-02-20 23:15:03

Python程序员小泉 · 2026-02-20 23:15:03 发布

香港理工大学、厦门大学等联合发表了基于Graph的Agent Memory最新技术综述[年前看到最有深度的AI下半场Agents记忆机制综述]

一、为什么需要图结构记忆

LLM驱动的AI Agent虽然展现出强大的推理能力，但面临着三个根本性局限：知识截断，工具 incompetence、**性能饱和。[刚刚，Gemini 3.1 Pro突发，推理翻倍，编程翻车

记忆（Memory） 成为解决这些问题的核心模块——它让代理从"无状态反应模型"进化为"有状态自适应实体"，实现知识积累、迭代推理和自我进化。

图1: AI代理系统工作流程与记忆实现视图

传统代理记忆采用简单的线性或键值存储（如固定长度token序列、向量数据库、日志缓冲区），而图结构记忆正在成为2025-2026年的研究前沿。

二、Agent记忆的分类学

2.1 双重维度：知识记忆 vs 经验记忆

提出了一个清晰的记忆分类框架，核心区分在于知识记忆（Knowledge Memory）与经验记忆（Experience Memory）：

图2: 知识记忆与经验记忆的类型及应用

图2清晰展示了两种记忆的本质差异：

知识记忆让代理"懂规则"，经验记忆让代理"会学习"。

2.2 图结构的统一视角

核心论点：图结构是记忆的最一般形式。传统记忆可视为图的退化形式：

线性缓冲区 = 图中的一条链
向量记忆 = 全连接图（相似度加权边）
键值存储 = 星型图结构

图3: 传统代理记忆与图结构代理记忆的对比

图3通过医疗问诊场景直观展示了传统记忆与图结构记忆的差异：

传统记忆：线性提取→密集向量存储→相似度检索→粗粒度更新
图结构记忆：结构化感知提取→显式关系编码→语义+关系检索→细粒度节点/边级更新

三、记忆的生命周期：从数据到智慧的旅程

论文按照记忆的生命周期（Lifecycle）组织技术体系，涵盖四个关键阶段：

图4: 图结构记忆管理技术的全面分类

图4展示了图结构记忆技术的完整分类体系，从提取（Extraction）、存储（Storage）、检索（Retrieval）到演化（Evolution），每个阶段都包含多种技术路线和代表性工作。

3.1 记忆提取：从原始数据到结构化内容

记忆提取将原始观察（Raw Observations）转化为结构化记忆单元，根据数据源类型采用不同策略：

图5: 记忆提取的统一流程

图5展示了从原始数据源到功能记忆类型的完整提取流程：

3.2 记忆存储：组织心智的架构

存储阶段的核心挑战是将提取的异构工件转换为保留语义、支持高效检索和可靠更新的格式。论文系统分析了五种图结构范式：

图6: 图结构构建范式的分类、记忆功能与优缺点对比

图6详细对比了五种图结构范式的特点：

A. 知识图谱（Knowledge Graph）
B. 层次结构（Hierarchical Structure）
C. 时序图（Temporal Graph）
D. 超图（Hypergraph）
E. 混合架构（Hybrid Architectures）

3.3 记忆检索：召回过去的技术

检索阶段操纵图记忆以支持下游推理。论文将检索算子组织为三大范式：

图7: 检索流程架构：基础算子与增强策略

图7展示了检索流程的完整架构：

基础检索算子

检索增强策略

多轮检索（Multi-round）: 将记忆访问视为迭代过程而非单次查询，每轮基于原始查询和已检索记忆生成下一轮查询
检索后处理（Post-retrieval）: 生成-再检索模式，先生成中间表示（主题、意图描述），再基于中间表示检索
混合源检索（Hybrid-source）: 协调内部记忆与外部资源（本地文档、在线搜索API、任务环境）

3.4 记忆演化：随时间学习

记忆演化是图结构记忆的核心优势——通过节点/边/子图操作实现直接更新。论文区分了两种演化范式：

图8: 记忆演化机制的分类

图8展示了记忆演化的两大范式：

内部自我演化：类比人类在睡眠中的记忆巩固，通过内省优化图拓扑。

外部自我探索：通过与环境交互验证知识有效性。

Kimi K2.5引入可扩展的群体机制（swarm mechanism），生成并行子代理探索问题空间的不相交分支，使中央记忆快速吸收多样化视角和边缘案例。

四、开源工具与评测基准

4.1 开源记忆库对比

论文在附录中提供了11个代表性开源记忆库的系统对比：

表IV: 图结构记忆系统开源库对比

4.2 评测基准全景

论文按应用场景将基准分为七大类：

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述