前面已经阅读了 A-MEM、MemoryOS、Nemori、MAGMA、HiAgent、Agentic Plan Caching、3DLLM-Mem、Mem²Evolve、Chain-of-Memory、ReMemR1 等不同方向的 Agent Memory 工作。↓长期记忆应该怎样增删改、怎样建立关联？↓长期记忆应该怎样分层、什么时候形成 Episode？MAGMA↓语义 / 时间 / 因果 /

前面阅读的 Agent 记忆工作，大多在回答一个问题：Agent 应该怎样保存、组织和召回过去的信息？Mem0 关注记忆的新增、更新和删除；A-MEM 关注记忆之间如何动态建立关联；MAGMA将长期经历组织成语义、时间、因果和实体多图，并根据查询意图选择关系；3DLLM-Mem 将长期记忆扩展到具身环境，用 Working Memory 查询并融合历史Agentic Plan Caching 则进

在复杂交互任务中，大模型 Agent 经常会重复犯同样的错误。例如，在网页问答任务中，Agent 可能已经发现直接搜索完整问题得不到答案，但遇到下一个问题时，仍然继续使用相同的搜索方式。在家庭环境中，Agent 可能已经通过多次尝试发现平底锅通常位于炉灶附近，但执行新任务时，仍然优先搜索抽屉和橱柜。这些现象说明，大模型拥有大量世界知识，并不代表 Agent 能够自动从自己的任务经历中学习。一种直接

应该保存什么？应该如何组织已经保存的记忆？Mem0 关注事实记忆的新增、修改、删除和忽略；A-MEM 关注记忆之间如何建立动态关联；G-Memory 使用图结构组织任务经验和推理规则；Voyager 将成功轨迹抽象成可以复用的技能；MemoryBank 通过遗忘机制控制记忆的生命周期。这些方法都在改进记忆本身，但在实际 Agent 系统中，还有一个容易被忽视的问题：即使记忆库中已经保存了正确经验，

长程 Agent 往往需要连续执行几十甚至上百次工具调用。阅读项目结构↓搜索相关代码↓运行测试↓分析错误日志↓修改代码↓再次运行测试↓对比修改前后的结果中间推理；工具调用；文件内容；命令输出；错误日志；已经失败的尝试；当前任务进度。最直接的做法是将所有历史全部保留在上下文中，但上下文窗口始终有限。即使模型支持很长的输入，也会出现成本增长、注意力稀释和关键信息难以定位等问题。完整历史↓压缩为一段任务

用户有哪些稳定偏好；过去发生过什么；用户曾经做过哪些决定；某个偏好是什么时候改变的；当前问题与哪些历史对话有关。接收一轮对话↓调用 LLM 提取事实↓判断新增、更新或删除↓只保存提取后的记忆我以前喜欢靠窗座位，但最近因为要经常活动，现在更喜欢过道座位。用户喜欢过道座位。对于一般的个性化推荐，这条记忆可能已经足够。我以前喜欢什么座位？为什么后来改变了？原始偏好是什么；新偏好是什么；偏好什么时候发生变

Mem0 关注如何提取事实，并对记忆执行新增、更新、删除和忽略；Zep 使用时序知识图谱保存实体、关系及其历史变化；GAM 通过层级图和语义边界控制记忆固化；MemRL 根据环境奖励学习哪些任务经验真正有用。这些方法让我逐渐意识到，Agent 记忆系统并不只是一个“把历史信息保存下来”的数据库。写入阶段：历史对话应该以什么粒度保存？召回阶段：面对当前问题，应该检索哪些记忆？反馈阶段：系统能否根据实

今天抽空读了一篇 Agent 记忆相关的综述，记录一下论文内容。这篇文章的核心问题是：Agent 记忆机制为什么会从简单的“存储”逐渐走向“反思”，再进一步走向“经验”？如果说早期记忆机制解决的是“Agent 如何记住过去”，那么 Experience 阶段更关注的是“Agent 如何从过去的轨迹中总结出可复用经验，并指导未来行动”。记忆机制是 Agent 不可或缺的组成部分。

前面已经阅读了 A-MEM、Mem0、RMM、TrustMem、GAM、HORMA、Proactive Memory Agent 等不同类型的 Agent 记忆方法。A-MEM：将记忆组织成能够动态建立链接的记忆卡片。Mem0：从交互中提取事实，并执行新增、更新、删除和忽略。RMM：按照主题组织长期对话，并根据记忆是否被回答引用优化排序。TrustMem：逐步验证记忆更新，减少遗漏、破坏和幻觉。G

快速捕捉当前交互中不断出现的新信息；保护已经形成的长期知识，避免被短期噪声污染。现有的记忆系统往往很难同时做好这两点。一类方法采用统一的流式记忆结构，把新的对话内容直接追加或合并到正在使用的记忆中。这种方法更新速度快，也比较适合持续交互，但由于新信息可以直接进入长期记忆，容易带来记忆污染、记忆丢失和语义漂移。另一类方法采用离散的结构化记忆，把信息组织成知识图谱或固定结构。