隨著近期自動化智能體工具OpenClaw火爆出圈，讓智能體完成代碼編寫、研究分析、自動化工作流搭建的能力被更多人看見。而在 AI 應(yīng)用深度落地、智能體技術(shù)快速迭代的當(dāng)下，這類工具的共性痛點(diǎn)也隨之凸顯：即便強(qiáng)如 OpenClaw，仍受限于上下文窗口的技術(shù)局限，執(zhí)行多步驟、長周期任務(wù)時，需要用戶反復(fù)復(fù)述上下文信息、任務(wù)要求與操作邏輯。

每一次開啟新會話、推進(jìn)任務(wù)新環(huán)節(jié)，智能體都無法有效延續(xù)過往交互經(jīng)驗(yàn)，只能重新接收指令、適配需求，繁瑣的重復(fù)操作大幅降低工作效率，也讓智能體的實(shí)際應(yīng)用價值難以充分釋放。如何讓智能體真正具備穩(wěn)定的長期記憶能力，實(shí)現(xiàn)記憶的高效共享與自主進(jìn)化？都是 AI 領(lǐng)域亟待解決的關(guān)鍵問題。

AI 記憶是智能系統(tǒng)不可或缺的一部分，但目前 AI 記憶的研究或應(yīng)用仍處探索與行業(yè)適配的初級階段。盡管近半年以來不斷涌現(xiàn)出關(guān)于 AI 記憶系統(tǒng)架構(gòu)方面的研究與方法，然而關(guān)于 AI 記憶相關(guān)的很多概念，仍然缺乏清晰的界定。

近期，北京郵電大學(xué)百家AI MemoryOS 團(tuán)隊(duì)與華為聯(lián)合在 GitHub 發(fā)表了一篇綜述論文《AI 記憶綜述：理論、分類、評測與趨勢》（Survey on AI Memory：Theories, Taxonomies, Evaluations, and Emerging Trends）[1]。

圖丨AI 記憶的進(jìn)化圖景：內(nèi)容路線圖綜述（來源：GitHub）

研究團(tuán)隊(duì)結(jié)合認(rèn)知心理學(xué)、神經(jīng)科學(xué)及記憶系統(tǒng)的經(jīng)典理論，提出了一套清晰的 AI 記憶分類方法（4W 分類體系），并系統(tǒng)梳理了當(dāng)前 AI 記憶的技術(shù)架構(gòu)、應(yīng)用場景和評估基準(zhǔn)。

圖丨相關(guān)論文（來源：GitHub）

“真正決定下一代 AI Agent 能不能用、好不好用的，不是更大的模型參數(shù)，而是記憶是否可控、可演化、可信賴。我們的研究為 AI 記憶梳理了從理論基礎(chǔ)到實(shí)際應(yīng)用的全景圖?！北本┼]電大學(xué)副教授白婷告訴 DeepTech。

圖丨白婷（來源：受訪者）

重新理解 AI 記憶：從概念混淆到體系化界定

現(xiàn)在大家都在談?wù)?AI 記憶，但缺乏統(tǒng)一的認(rèn)知?，F(xiàn)實(shí)情況往往是先做系統(tǒng)，再補(bǔ)理論。過去兩年，經(jīng)常會看到記憶（Memory）、知識（Knowledge）、上下文（Context）、經(jīng)驗(yàn)（Experience）等概念，但它們有什么本質(zhì)的區(qū)別？記憶在認(rèn)知層面又具體扮演怎樣的角色？

該研究通過 Atkinson–Shiffrin 模型、工作記憶模型等，填補(bǔ)了此前大模型、Agent 類論文中較少提到記憶理論基礎(chǔ)的空白。這不是在教 AI 多記一點(diǎn)，而是在重新定義 AI 應(yīng)該記什么。

根據(jù)綜述論文，研究團(tuán)隊(duì)將知識定義為相對靜態(tài)的、比較穩(wěn)定的一類存儲形式；相對靜態(tài)的知識（Knowledge）而言，記憶（Memory）是應(yīng)用的動態(tài)的形式；上下文（Context）更側(cè)重描述智能體程序執(zhí)行層面的信息；經(jīng)驗(yàn)（Experience or Skill）是 AI 記憶下一步進(jìn)化中更高程度的凝練。不同概念之間相互交叉，各有側(cè)重。

·LLM Memory：模型中權(quán)重的計(jì)算核心，它更多的是從模型層面看，上下文的窗口多大，或一種參數(shù)型的形式。

·Agent Memory：用功能性工作流的方式，對“感知-規(guī)劃-行動”循環(huán)中的復(fù)雜任務(wù)執(zhí)行過程中產(chǎn)生的記憶行為。

·AI Memory：是一種更宏觀的認(rèn)知概念，旨在實(shí)現(xiàn)終身進(jìn)化、長期持久性和適應(yīng)性，它是面向終身學(xué)習(xí)、自進(jìn)化的更高抽象。

白婷表示：“這是我們整個綜述的理論基礎(chǔ)，通過從認(rèn)知科學(xué)到計(jì)算框架，以及一些核心概念的界定，希望能夠?yàn)锳I記憶的理論和應(yīng)用層面提供更清晰的認(rèn)知。”

圖丨LLM 記憶、Agent 記憶和 AI 記憶之間的相互關(guān)系（來源：GitH

4W 分類體系：為 AI 記憶建立統(tǒng)一“坐標(biāo)軸”

此前，研究團(tuán)隊(duì)提出了一種模擬人腦記憶機(jī)制的大模型記憶操作系統(tǒng)MemoryOS[3]，其核心突破在于實(shí)現(xiàn)了分層記憶架構(gòu)與類操作系統(tǒng)動態(tài)段頁記憶更新策略（DeepTech 此前報道：不再擔(dān)心 AI “健忘”，北郵團(tuán)隊(duì)開源大模型記憶操作系統(tǒng)）。

他們發(fā)現(xiàn)，盡管領(lǐng)域從那時起開始聚焦記憶方向，但不可避免地“各說各話”：有人做顯式記憶，有人做隱式記憶，有人做參數(shù)性記憶，還有人做多模態(tài)。它們之間有何區(qū)別和聯(lián)系呢？

為梳理這個問題，研究團(tuán)隊(duì)獨(dú)創(chuàng)了一套明確的“坐標(biāo)軸”——4W 分類體系。這不是一個標(biāo)準(zhǔn)答案，而是讓研究者和設(shè)計(jì)者明確了解“我在解決哪一類問題”。

·When：記憶持續(xù)的生命周期，比如瞬時、會話、持久；

·What：記憶包含信息的性質(zhì)，比如程序、事實(shí)（陳述性信息）、元認(rèn)知反思、個性化；

·HoW：記憶的底層儲存形式，包括隱式（參數(shù)性記憶）和顯式（例如結(jié)構(gòu)化圖譜和原始文本等）；

·Which：記憶模態(tài)的分類，單模態(tài)（純文本）、多模態(tài)（語音、圖片、文本融合）。

圖丨4W 記憶分類法用于系統(tǒng)化分類人工智能記憶系統(tǒng)（來源：GitH）

白婷指出，“盡管四種分類存在交叉融合，但我們從四個維度對記憶進(jìn)行區(qū)分，相當(dāng)于為領(lǐng)域建立了一個標(biāo)準(zhǔn)的‘坐標(biāo)軸’體系，有助于為記憶模型架構(gòu)設(shè)計(jì)梳理更清晰的角度?！?/p>

多智能體系統(tǒng)：記憶從個體能力升級為群體能力

OpenClaw 的爆火，讓人們首次直觀地看到：AI Agent 已經(jīng)可以像“數(shù)字員工”那樣自動完成復(fù)雜任務(wù)。白婷指出，從記憶和協(xié)作的角度來看，OpenClaw 并非多智能體之間的交互，而是為完成任務(wù)自行規(guī)劃推理步驟的單一智能體。

她進(jìn)一步說道：“OpenClaw 在工作流程中的通信方式，顯著不同于與斯坦福小鎮(zhèn)中多個 Agent 的共同自我進(jìn)化。它未來的形態(tài)是多樣的，可能是多Agent（多龍蝦）之間的交互協(xié)作，但終極目標(biāo)仍然是如何更好地完成特定任務(wù)和服務(wù)于人類?！?/p>

在研究團(tuán)隊(duì)的 Memory OS++研究中曾提到 AI 社交，旨在通過多個 Agent 之間的記憶共享，構(gòu)建一座可度量價值的橋梁，以 Agent 為橋梁，進(jìn)而打通人與人之間的經(jīng)驗(yàn)共享。

如果說個體記憶決定 Agent 的能力上限，那么群體記憶決定的就是多智能體系統(tǒng)的協(xié)作上限。正如人類文明的進(jìn)步來自部落、群體的演化，在硅基世界，多智能體的關(guān)鍵不是數(shù)量，而是通信機(jī)制的完善、記憶共享和經(jīng)驗(yàn)遷移。

研究中提到，單智能體記憶主流架構(gòu)包括層級式、類 OS 式（Memory OS）、認(rèn)知進(jìn)化式等。它的核心功能在于實(shí)現(xiàn)存儲、檢索和更新，并進(jìn)一步支持智能體的自我進(jìn)化。

不僅如此，研究團(tuán)隊(duì)還分析了多智能體的記憶架構(gòu)，這部分在此前的綜述研究中較少提及。他們認(rèn)為，多智能體系統(tǒng)（MAS，Multi-Agent System）記憶機(jī)制旨在突破智能體記憶孤島，實(shí)現(xiàn)群體智能。記憶共享依賴于通信，而多智能體系統(tǒng)與單智能體系統(tǒng)最大的不同就在于通信機(jī)制。

從通信機(jī)制分類來看，顯式通信通常包括非結(jié)構(gòu)化自然語言交互、結(jié)構(gòu)化數(shù)據(jù)范式（如 JSON、UML），以及動態(tài)路由；而隱式通信則通過壓縮向量、嵌入或知識壓縮實(shí)現(xiàn)。厘清通信方式之后，才能進(jìn)一步理解多智能體中的記憶共享。

研究人員將記憶共享分為兩個層級：一是任務(wù)級共享，使多智能體在不同任務(wù)執(zhí)行中通過經(jīng)驗(yàn)積累實(shí)現(xiàn)長期進(jìn)化，這是多智能體的核心優(yōu)勢。二是步驟級共享，對應(yīng)當(dāng)前 Agent 協(xié)作的細(xì)粒度執(zhí)行層面，通過上下文路由動態(tài)分配關(guān)鍵信息，此時“上下文（Context）”是最合適的概念。

從更宏觀的角度，記憶共享或自進(jìn)化能力更多的是從認(rèn)知的角度，希望賦予智能體或大模型實(shí)現(xiàn) AGI 的能力。白婷認(rèn)為，從當(dāng)前領(lǐng)域發(fā)展來看，這是未來大模型持續(xù)實(shí)現(xiàn)能力提升的重要支撐，也是其實(shí)現(xiàn)演化的核心路徑之一。

（來源：GitHub）

為什么“評估 AI 記憶”比做記憶更難？

一個關(guān)鍵的問題是：到底什么是好的記憶？如果說不清這個問題，這個領(lǐng)域很難真正成熟。

過去，領(lǐng)域里評估的是回答的準(zhǔn)確率或是否將記憶召回。但是需要看到的是，真正重要的是檢索效率和檢索效果，而這些方面過去幾乎沒有進(jìn)行過系統(tǒng)評估，它表現(xiàn)在：智能體會不會動態(tài)更新、遺忘，有沒有高級認(rèn)知能力，比如是否能泛化以及實(shí)時反饋的能力。

研究團(tuán)隊(duì)首次對 Agent 評估維度進(jìn)行了系統(tǒng)梳理，包括：記憶的檢索能力、動態(tài)更新能力、高級認(rèn)知能力以及系統(tǒng)效率能力。

白婷認(rèn)為，AI 記憶未來有可能是由“個體記憶+群體經(jīng)驗(yàn)”組成的雙系統(tǒng)，群體經(jīng)驗(yàn)依靠于個體的記憶做高度凝練。此外，未來的趨勢是多 Agent 系統(tǒng)中能夠積淀經(jīng)驗(yàn)、積淀技能，然后自我協(xié)同發(fā)展和進(jìn)化。

在她看來，AI 記憶最直接應(yīng)用的方向是提效人類生活的 AI 工具，例如個人助手，但現(xiàn)有的應(yīng)用還非常不成熟。從更長遠(yuǎn)的角度看，AI 記憶將更廣泛地融入人類生活中，比如隨時隨地提供情感陪伴。

有望開啟人機(jī)認(rèn)知共同進(jìn)化的全新階段

在綜述論文最后的章節(jié)中，研究團(tuán)隊(duì)回顧了當(dāng)前領(lǐng)域的挑戰(zhàn)，并對未來發(fā)展趨勢進(jìn)行了展望。

研究人員認(rèn)為，記憶機(jī)制是將靜態(tài)大模型向具備持續(xù)學(xué)習(xí)能力的動態(tài)智能體進(jìn)化過程中的核心支撐。但不容忽視的是，當(dāng)前 AI 記憶領(lǐng)域仍處于起步階段，其面臨三方面關(guān)鍵挑戰(zhàn)：架構(gòu)沖突、理論方法缺口、安全風(fēng)險與運(yùn)維復(fù)雜性。

研究提到，AI 記憶的未來將向以下趨勢發(fā)展：首先，未來 AI 系統(tǒng)將突破被動的存儲和檢索的局限，朝著類腦啟發(fā)的記憶建模方式發(fā)展。例如，海馬體的理論借鑒了生物互補(bǔ)學(xué)習(xí)系統(tǒng)來實(shí)現(xiàn)經(jīng)驗(yàn)，或?qū)崿F(xiàn)記憶的快速獲取與漸進(jìn)式整合的分離。因此，未來對于多模態(tài)記憶的統(tǒng)一表征，或可塑性、穩(wěn)定性等，需要進(jìn)一步探索更理想的架構(gòu)。

其次，AI 記憶向 AI 經(jīng)驗(yàn)升級發(fā)展是通往終身進(jìn)化的必經(jīng)之路，依托經(jīng)驗(yàn)驅(qū)動推理與規(guī)劃，形成“記憶-執(zhí)行-優(yōu)化-經(jīng)驗(yàn)”的自進(jìn)化機(jī)制。

再次，智能體會向自進(jìn)化的集體記憶發(fā)展。通過建立上下文感知的動態(tài)權(quán)限訪問控制和隱私保護(hù)機(jī)制，進(jìn)行去重、聚類來實(shí)現(xiàn)共同協(xié)議下集體記憶的自進(jìn)化的組織優(yōu)化方式，保障多智能體協(xié)作的安全性和穩(wěn)健性。

百家 AI MemoryOS 團(tuán)隊(duì)的重點(diǎn)研究方向是多智能體架構(gòu)，包括記憶共享的架構(gòu)，以及協(xié)同推理和協(xié)作架構(gòu)。此外，他們還致力于開發(fā)經(jīng)驗(yàn)記憶共享的平臺，探索如何將零散的記憶形態(tài)凝練成可復(fù)用、可進(jìn)化的高階記憶形式。

除了學(xué)術(shù)研究，該團(tuán)隊(duì)還積極探索將學(xué)術(shù)創(chuàng)新與工業(yè)界結(jié)合的可能性，目前已與騰訊、小米、華為等多家企業(yè)在智能體方向進(jìn)行合作，例如幫助企業(yè)開發(fā)創(chuàng)新架構(gòu)或規(guī)范定義新范式等。

白婷表示：“AI 記憶的發(fā)展是邁向 AGI 的關(guān)鍵的一步，我們希望以成熟的 AI 系統(tǒng)推動智能體從靜態(tài)工具升級為自適應(yīng)的終身協(xié)作伙伴，并開啟人機(jī)認(rèn)知共同進(jìn)化的全新階段。”

參考資料：

1.GitHub論文地址：https://Github.com/BAI-LAB/Survey-on-AI-Memory

2.項(xiàng)目地址：https://baijia.online/homepage/memory_survey.html

3.往期論文地址：https://arxiv.org/pdf/2506.06326