2026.08.25
本次汇报围绕 A-Mem: Agentic Memory for LLM Agents 展开，讨论智能体在长期、多轮交互中如何保留并利用历史经验。报告将问题从传统的“存储与检索”推进到“组织、连接与演化”，并结合 MemGPT 说明不同长期记忆机制的设计重点。
长期交互会产生大量记忆条目。传统方法通常依据当前查询检索独立条目，但记忆数量增长后，条目之间缺少显式关系，新经验也无法更新既有理解。固定的存储结构与操作方式因而限制了智能体对任务变化的适应能力。
A-Mem 借鉴卡片盒笔记法，将每次交互转换为结构化的 Memory Note，其中包括原始内容、上下文描述、关键词、标签、时间戳和向量表示。新记忆产生时，系统先依据嵌入检索 Top-k 历史记忆，再由 LLM 判断是否存在有意义的语义关系，并建立动态链接。
新记忆还可触发相关旧记忆的演化，更新其上下文、关键词和标签。查询时，系统不仅访问直接检索到的条目，也可沿关联访问相关记忆，从而形成可扩展的局部记忆网络。
报告使用 LoCoMo 长期对话基准考察单跳、多跳、时序、开放域与对抗性问题，并以 F1、BLEU-1 和有效上下文 Token 长度比较方法。A-Mem 的动态链接帮助跨条目整合信息，记忆演化则使旧条目能够反映后续经验。作为对照，MemGPT 通过主上下文、回忆存储和归档存储的分层管理，在上下文受限时支持多步检索与读写操作。
A-Mem 在多跳和时序记忆问题上表现突出，并以较短的有效上下文完成检索与推理。其核心价值在于让长期记忆保持结构化并持续修订，而不仅是扩大可访问历史。报告也指出，选择性记忆、错误传播修正和长期维护可靠性仍是智能体记忆研究的重要问题。