引言：记忆系统的演变与意义
在大语言模型(LLM)蓬勃发展的今天，智能体(Agent)的能力边界正在不断拓展。从简单的问答系统到复杂的多轮对话、从单一任务执行到长期目标追踪，Agent正在逐步演化为能够持续学习、积累经验的智能存在。而支撑这一演变的核心基础设施，正是记忆系统。
记忆对于Agent的意义，堪比内存之于计算机。没有记忆，Agent只能是一次性计算器；有了记忆，Agent才能进化成为真正的工作伙伴。然而，LLM本身受限于固定的上下文窗口，无法直接处理跨越数百轮对话的历史信息。这一根本性约束催生了专门的Agent记忆系统研究——如何在有限的上下文窗口内，高效地存储、管理和检索跨越漫长交互历史的知识。
回顾记忆系统的发展历程，我们可以看到一条清晰的演进脉络。早期的RAG(Retrieval-Augmented Generation)系统通过向量检索将外部知识注入上下文，解决了知识扩展问题，但缺乏对对话历史的深度理解。随后，MemGPT将操作系统中的分层内存管理理念引入LLM领域，开创了虚拟上下文管理的新范式。MemoryBank则借鉴认知科学中的艾宾浩斯遗忘曲线，赋予AI"人性化"的记忆更新机制。近年来，A-MEM、Mem0、Zep等系统进一步探索了动态知识网络、图结构记忆等创新方向，推动记忆系统向更加智能、自适应的方向演进。
2026年4月，一篇名为《Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework》的综述论文(arXiv:2604.01707)横空出世，首次对现有Agent记忆方法进行了系统性的比较分析。该论文不仅提出了一个统一的分析框架，还通过LOCOMO和LONGMEMEVAL两大基准测试，对10种代表性记忆方法进行了全面评估。本文基于该综述论文及原始文献，对这10种记忆方案进行深度对比分析，帮助读者理解不同架构背后的设计哲学与权衡取舍。
---
第一部分：统一分析框架
要系统性地比较不同的记忆方案，首先需要建立一个统一的分析框架。该框架将记忆系统抽象为四个核心组件：信息提取(Information Extraction)、记忆管理(Memory Management)、记忆存储(Memory Storage)和信息检索(Information Retrieval)。这四个组件相互协作，构成了完整的记忆处理流水线。
1.1 信息提取：从原始数据到结构化记忆
信息提取是记忆系统的入口，负责将原始的对话内容或观察数据转化为适合存储和检索的记忆表示。根据提取策略的不同，可以将现有方法分为三类：
直接归档(Direct Archival)：将对话内容以原始或近乎原始的形式直接存储。代表系统包括MemoryBank和MemGPT，它们保留了对话的完整上下文，不做复杂的语义提取。
摘要式提取(Summarization-based Extraction)：使用LLM对对话内容进行摘要，提取关键信息并以结构化形式存储。A-MEM生成包含上下文描述、关键词和标签的综合笔记；Mem0则提取关键事实并以语义向量表示。
图式提取(Graph-based Extraction)：从对话中抽取实体和关系，构建知识图谱。Mem0的图变体(Mem0ᵍ)和Zep采用主语-谓语-宾语(SPO)三元组的形式提取结构化知识，支持复杂的关系推理。
1.2 记忆管理：记忆的维护与进化
记忆管理是记忆系统的"大脑"，负责决定哪些记忆值得保留、如何组织记忆、何时更新记忆。该组件涵盖五大核心操作：
关联相关经验：识别并建立记忆之间的语义或时间关联。A-MEM通过动态索引和链接创建相互关联的知识网络；MemoryOS则通过语义关联将相关记忆聚集。
整合碎片化记忆：将分散的、细粒度的记忆聚合成更宏观的记忆单元。MemoryBank通过摘要整合碎片化记忆；MemoChat则使用结构化备忘录进行记忆整合。
跨记忆层级转换：在不同抽象层级的记忆之间进行信息流动。MemoryOS设计了短/中/长期三层存储，通过FIFO+热度评分机制实现记忆在不同层级间的动态迁移。
更新现有记忆：根据新信息更新已有记忆内容。更新机制可以是规则驱动的(如时间衰减)、LLM驱动的(如语义合并)或智能体驱动的(如A-MEM的动态链接更新)。
过滤无效信息：识别并剔除过时或低价值的记忆。常用的策略包括访问频率+时间衰减(MemoryBank的遗忘曲线)、语义去重等。
1.3 记忆存储：记忆的物理组织
记忆存储关注记忆在物理层面上的组织方式，包括存储结构和存储表示两个维度。
组织方式：
- 扁平式：所有记忆处于同一层级，如MemoryBank使用FIFO队列或JSON格式存储记忆
- 分层式：记忆按重要性或时效性分层，如MemoryOS的短/中/长期三层架构
- 树状式：记忆按层次结构组织，如MemTree的动态树状表示
- 向量存储：使用语义向量表示记忆内容，支持相似度检索。主流实现使用FAISS或Qdrant等向量数据库。
- 图存储：使用节点和边表示实体和关系，支持图遍历推理。MemTree使用树状结构，Zep使用时序知识图谱。
- 混合存储：结合多种表示方式，如Mem0同时支持向量检索和图遍历。
1.4 信息检索：记忆的快速定位
信息检索是记忆系统的出口，负责根据当前查询快速定位相关记忆。检索策略主要分为四类：
词汇检索：基于关键词匹配，如BM25算法、杰卡德相似度等。适用于精确匹配场景。
向量检索：基于语义相似度，使用余弦相似度配合ANN(近似最近邻)算法进行快速检索。这是当前最主流的检索方式。
结构检索：利用记忆的结构化特征进行检索，如图遍历、多跳推理等。Mem0ᵍ和Zep利用图结构支持复杂的关系查询。
LLM辅助检索：使用LLM对查询进行重构或扩展，以提升检索效果。MemoChat采用迭代"记忆-检索-回复"循环，利用LLM动态优化检索策略。
---
第二部分：十种记忆方案逐一解析
2.1 A-MEM：动态知识网络构建者
核心思想：A-MEM(Agentic Memory)借鉴了德国社会学家尼克拉斯·卢曼的Zettelkasten(卡片盒)方法论，将记忆视为一个动态生长的知识网络。其核心创新在于赋予记忆系统"主体性"——记忆不再是被动存储的数据，而是能够自主建立关联、持续演化的知识实体。
架构特点：
- 综合笔记生成：当新记忆进入系统时，A-MEM会生成包含上下文描述、关键词、标签等多维属性的结构化笔记
- 动态链接机制：系统自动分析历史记忆，识别语义相似性并建立有意义的链接
- 记忆进化能力：新记忆的加入可以触发对历史记忆上下文的更新，使整个知识网络持续精炼
论文与资源：arXiv:2502.12110 | https://github.com/WujiangXu/AgenticMemory
2.2 MemoryBank：会遗忘的类人记忆
核心思想：MemoryBank的设计灵感源自认知心理学中的艾宾浩斯遗忘曲线理论。它试图回答一个基本问题：如果人类会遗忘，为什么AI必须记住一切？通过引入"选择性遗忘"机制，MemoryBank实现了更接近人类的记忆行为模式。
架构特点：
- 遗忘曲线启发：记忆的保留强度随时间自然衰减，重要性高的记忆衰减更慢
- 情感陪伴导向：专为长期AI伴侣场景设计，支持个性化记忆和用户性格理解
- 双层记忆结构：包含短期工作记忆和长期存储记忆，支持动态更新
论文与资源：arXiv:2305.10250 | https://github.com/zhongwanjun/MemoryBank-SiliconFriend
2.3 MemGPT：操作系统视角的记忆管理
核心思想：MemGPT的灵感来自于传统操作系统的虚拟内存管理机制。就像操作系统通过数据在RAM和磁盘间的移动来提供"无限内存"的假象，MemGPT通过在LLM的有限上下文窗口和外部存储之间智能交换数据，实现了虚拟的超大上下文。
架构特点：
- 分层存储系统：模拟OS的内存层级，包括快速访问的上下文和慢速持久化的外部存储
- 中断机制：引入类似操作系统中断的控制流管理机制，支持用户与系统之间的灵活交互
- 分页管理：将长文档分割为页(page)，按需加载到上下文中
论文与资源：arXiv:2310.08560 | https://github.com/letta-ai/letta
2.4 Mem0 / Mem0ᵍ：可扩展的记忆基础设施
核心思想：Mem0旨在为生产级AI Agent提供一个可扩展、高性能的长期记忆层。其核心设计原则是实用性——在保证准确性的同时，大幅降低延迟和成本。
架构特点：
- 多层次记忆：无缝管理用户级、会话级和智能体级状态
- 动态信息整合：自动从对话中提取、整合和检索关键信息
- 图增强变体(Mem0ᵍ)：引入图存储，使用主语-谓语-宾语三元组捕获复杂关系
论文与资源：arXiv:2504.19413 | https://github.com/mem0ai/mem0
2.5 MemoChat：结构化备忘录循环
核心思想：MemoChat提出了一种"记忆-检索-回复"的迭代循环机制，通过显式的备忘录结构来维护对话一致性。其核心洞见是：有效的长期对话需要系统化的记忆管理，而非简单的历史记录。
架构特点：
- 三阶段循环：记忆(Memorization)→检索(Retrieval)→回复(Response)
- 结构化备忘录：使用预定义的模板组织记忆内容
- 指令微调：针对每个阶段设计专门的训练指令
论文与资源：arXiv:2308.08239 | https://github.com/LuJunru/MemoChat
2.6 Zep (Graphiti)：时序感知知识图谱
核心思想：Zep的核心组件Graphiti是一个时间感知的知识图谱引擎，能够动态整合非结构化对话数据和结构化业务数据，同时维护历史关系的时间线。其目标是解决企业应用中动态知识集成的挑战。
架构特点：
- 时序知识图谱：不仅存储实体关系，还记录关系的时间维度
- 多源数据融合：同时处理对话数据(非结构化)和业务数据(结构化)
- 深度记忆检索：在DMR基准上达到94.8%的准确率，超越MemGPT的93.4%
论文与资源：arXiv:2501.13956 | https://github.com/getzep/graphiti
2.7 MemTree：动态树状记忆表示
核心思想：MemTree将人类认知中的层级化记忆结构形式化为算法实现。其核心理念是：信息应该按照抽象层次组织，高层节点概括多个低层细节，从而实现高效的记忆压缩和检索。
架构特点：
- 动态树结构：记忆以树形层次组织，每个节点包含聚合的文本内容和语义向量
- 多级抽象：树的深度对应不同的抽象级别，顶层是概要，底层是细节
- 语义自适应：通过计算和比较新信息与现有记忆的语义嵌入，动态调整树结构
论文与资源：arXiv:2410.14052
2.8 MemoryOS：分层存储的操作系统
核心思想：MemoryOS将操作系统的内存管理原则全面引入AI Agent领域，设计了短/中/长期三层存储架构，实现全面的记忆生命周期管理。
架构特点：
- 三层存储架构：短期记忆(即时对话)、中期记忆(会话级)、长期个人记忆(持久画像)
- 动态迁移机制：短期→中期基于对话链的FIFO原则；中期→长期使用分段页组织策略
- 四大核心模块：存储、更新、检索、生成
论文与资源：arXiv:2506.06326 | https://github.com/BAI-LAB/MemoryOS
2.9 MemOS：记忆即系统资源
核心思想：MemOS提出了一个更宏大的愿景——将记忆视为可管理的系统资源，建立统一的记忆中心系统框架。其设计目标是支持持续学习和个性化建模，为AGI基础设施奠定基础。
架构特点：
- MemCube基本单元：封装记忆内容和元数据(来源、版本等)，支持组合、迁移和融合
- 多级记忆统一：统一管理纯文本记忆、激活值记忆和参数级记忆
- 可控性与可塑性：支持记忆类型的灵活转换，桥接检索增强学习与参数学习
论文与资源：arXiv:2507.03724 | https://github.com/MemTensor/MemOS
---
第三部分：系统化对比分析
3.1 信息提取策略对比
| 系统 | 提取策略 | 特点 | 优势场景 |
|---|---|---|---|
| MemoryBank | 直接归档 | 保留原始对话 | 需要完整上下文的场景 |
| MemGPT | 直接归档 | 分页存储原始内容 | 超长文档分析 |
| A-MEM | 摘要式 | 综合笔记+多维属性 | 知识管理、研究助理 |
| Mem0 | 摘要式 | 关键事实+语义向量 | 通用对话、个人助理 |
| Mem0ᵍ | 图式 | SPO三元组 | 关系密集型查询 |
| Zep | 图式 | 时序知识图谱 | 时间敏感型应用 |
3.2 记忆管理策略对比
| 系统 | 关联机制 | 整合策略 | 更新机制 | 过滤策略 |
|---|---|---|---|---|
| A-MEM | 动态链接 | 知识网络演化 | LLM驱动 | 语义去重 |
| MemoryBank | 时间关联 | 摘要聚合 | 遗忘曲线驱动 | 时间衰减 |
| MemoryOS | 语义/时间关联 | 分层聚合 | 热度评分 | FIFO+评分 |
| MemoChat | 结构化关联 | 备忘录整合 | 规则驱动 | 显式覆盖 |
3.3 存储结构对比
| 系统 | 组织结构 | 表示方式 | 扩展性 |
|---|---|---|---|
| MemoryBank | 扁平(FIFO/JSON) | 向量 | 中等 |
| Mem0 | 扁平+图 | 向量+图 | 高 |
| MemTree | 树状 | 向量+层级 | 受深度限制 |
| MemoryOS | 分层(3层) | 混合 | 高 |
| Zep | 时序图 | 图+向量 | 高 |
3.4 检索机制对比
| 系统 | 主要检索方式 | 特色机制 | 多跳支持 |
|---|---|---|---|
| MemoryBank | 向量检索 | 时间加权 | 有限 |
| MemGPT | 分页加载 | 按需检索 | 无 |
| A-MEM | 向量+链接遍历 | 知识网络导航 | 强 |
| Mem0ᵍ | 向量+图遍历 | 关系推理 | 强 |
| Zep | 图遍历 | 时序过滤 | 强 |
| MemoChat | LLM辅助 | 查询重构 | 中等 |
---
第四部分：评估基准与实验结果
4.1 LOCOMO基准
数据集概况：
- 10段长程对话，平均27.2个会话、588.2轮对话
- 平均每段对话约9000 tokens，最长可达16000 tokens
- 共1986个问题，分为五类：单跳检索、多跳推理、时间推理、开放域知识、对抗性问题
- 单跳检索(Single-hop)：答案可从单个会话中直接获取
- 多跳推理(Multi-hop)：需要综合多个会话的信息进行推理
- 时间推理(Temporal)：需要理解事件的时间顺序或相对时间关系
- 开放域知识(Open-domain)：需要结合对话内容和外部常识知识
- 对抗性问题(Adversarial)：问题在对话中没有对应答案(测试拒答能力)
4.2 LONGMEMEVAL基准
数据集概况：
- 500个精心策划的问题
- 平均50.2个会话，约115000 tokens
- 基于用户-AI交互场景设计
- 信息提取(IE)：从单个会话中提取特定信息
- 多会话推理(MR)：综合多个会话的信息
- 知识更新(KU)：处理动态变化的信息(如地址变更)
- 时间推理(TR)：理解相对时间("上次我们讨论...")
- 拒答能力(ABS)：识别无法回答的问题
4.3 关键实验发现
发现1：树状/分层存储结构占优
在LOCOMO和LONGMEMEVAL上的实验一致表明，采用树状或分层结构的系统(MemTree、MemoryOS、MemOS)相比扁平结构系统表现更优。这印证了认知科学中的一个基本观点：人类记忆也是层级组织的。
发现2：信息完整性至关重要
对比实验显示，保留原始消息的完整记忆系统(如MemoryOS)相比仅提取三元组的图系统(如基础版Zep)表现更好。这表明过度简化可能导致信息丢失，在需要细微语义理解的场景中尤为明显。
发现3：记忆关联能力是多跳推理核心
多跳推理问题的准确率与记忆系统的关联能力高度相关。A-MEM的动态链接、Mem0ᵍ的图遍历、Zep的时序图查询都在多跳任务上表现突出。
发现4：时间推理强依赖LLM能力
在控制变量实验中发现，使用7B参数模型时时间推理准确率约为35%，而使用72B模型时提升至约70%。这表明时间推理是一个"涌现能力"，对基础模型的规模敏感。
发现5：Token消耗与性能正相关，但粒度粗化不一定降性能
实验数据显示，投入更多token通常能获得更好性能。但有趣的是，过于细粒度的记忆存储并不总是最优——适当聚合的记忆单元有时比原始片段表现更好。
发现6：索引机制需关注扩展性
MemTree的实验表明，当树的深度增加时，检索成本呈非线性上升。这提示我们在设计记忆系统时，需要同时考虑检索效率和存储结构的可扩展性。
4.4 性能数据概览
| 系统 | LOCOMO(F1) | LONGMEMEVAL(Acc) | 延迟优化 | Token节省 |
|---|---|---|---|---|
| Mem0 | 高 | 高 | -91% | -90% |
| Zep | 中等 | 高(+18.5%) | -90% | - |
| MemoryOS | 高(+49%) | - | - | - |
| A-MEM | 高 | - | - | - |
---
第五部分：关键洞察与设计权衡
5.1 提取vs保留：什么该记住？
核心问题：应该存储原始对话的完整记录，还是提取结构化的事实？
权衡分析：
- 完整保留：信息无损，支持任意粒度的回溯；但存储成本高，检索噪声大
- 结构化提取：存储高效，检索精准；但存在信息丢失风险，依赖抽取质量
- 对于事实密集型应用(如医疗记录、法律文档)，优先保留原始内容
- 对于闲聊型对话，结构化提取足以满足需求
- 混合策略可能是最佳实践：同时存储原始内容和提取的摘要/事实
5.2 扁平vs分层：如何组织记忆？
核心问题：记忆应该平铺存储，还是按层次组织？
权衡分析：
- 扁平存储：实现简单，检索逻辑直接；但难以处理大规模记忆，缺乏抽象能力
- 分层存储：支持渐进式摘要，适合大规模记忆；但增加了系统复杂性，跨层检索需要精心设计
- 短期记忆(<100轮对话)可采用扁平结构
- 长期记忆应采用分层结构，通常2-3层足够
- 树状结构适合知识密集型场景，但需要控制深度(建议不超过5层)
5.3 向量vs图：如何选择表示方式？
核心问题：应该使用向量数据库，还是图数据库，还是两者结合？
权衡分析：
- 向量存储：语义检索强大，实现成熟；但缺乏显式关系表示
- 图存储：关系推理能力强，可解释性好；但构建成本高，查询复杂
- 混合存储：兼顾两者优势；但系统复杂度高，一致性维护困难
- 如果查询主要是"关于X的内容"，向量存储足够
- 如果查询涉及"X和Y的关系"，需要图结构
- 实际应用中，向量+轻量级图可能是最佳折中
5.4 自动vs人工：记忆管理的自动化程度
核心问题：记忆更新应该完全自动化，还是保留人工干预的可能？
权衡分析：
- 全自动：用户体验流畅，适合消费级应用；但存在错误累积风险
- 人工确认：准确性高，适合专业场景；但打断用户体验
- 混合模式：关键记忆人工确认，常规记忆自动处理
- 个人助理场景可采用全自动模式
- 企业级应用建议提供人工审核机制
- 支持用户主动编辑记忆是一个差异化功能
5.5 遗忘：被遗忘的设计维度
核心洞见：大多数系统专注于"如何记住"，却忽略了"如何遗忘"。
MemoryBank的遗忘曲线是一个重要的方向性探索。人类记忆的一个关键特征是选择性遗忘——保留重要信息，丢弃无关紧要的内容。当前大多数系统缺乏这一能力，导致记忆库无限增长、检索效率下降。
未来方向：
- 引入重要性评估机制，自动识别低价值记忆
- 设计记忆压缩算法，将多个相关记忆合并为摘要
- 研究时间衰减与访问频率的联合建模
第六部分：未来方向与发展趋势
6.1 短期趋势(1-2年)
记忆系统的标准化：随着记忆系统从研究走向生产，将出现标准化的API和协议。MCP(Model Context Protocol)等开放协议可能推动记忆系统的互操作性。
与RAG的深度融合：记忆系统与RAG的边界将逐渐模糊，形成统一的"上下文增强"层。记忆提供个性化历史，RAG提供外部知识，两者协同工作。
多模态记忆：当前主流系统主要处理文本记忆，未来将扩展支持图像、音频、视频等多模态记忆。Zep已经在向这个方向探索。
6.2 中期趋势(3-5年)
个性化记忆模型：不再是"一个记忆系统服务所有用户"，而是为每个用户训练轻量级的个性化记忆模型，实现更深度的个性化。
记忆即服务(MaaS)：记忆系统可能成为独立的云服务层，类似今天的向量数据库。Mem0的云端托管服务可能是这一趋势的先声。
联邦记忆：在隐私保护需求下，联邦学习技术将被引入记忆系统，实现"数据不动、模型动"的分布式记忆管理。
6.3 长期愿景(5年以上)
记忆与推理的统一：当前记忆和推理是两个相对独立的模块。未来可能出现更深度的融合——记忆本身就是推理的基础设施，检索过程本身就是推理过程。
终身学习架构：Agent将具备真正的终身学习能力，记忆不仅是信息的存储，更是技能的累积。MemOS的愿景可能是这一方向的早期探索。
人机记忆共生：人类和AI的记忆系统将实现某种形式的连接，AI可以读取人类的数字记忆(经授权)，人类可以查询AI的记忆库，形成记忆共同体。
6.4 待解决的核心挑战
挑战1：记忆的可靠性
当前记忆系统无法保证100%的准确性，存在幻觉、遗忘、混淆等问题。对于高 stakes 应用(医疗、法律)，这是一个根本性障碍。
挑战2：隐私与安全
记忆系统存储了大量敏感信息，如何保护用户隐私、防止数据泄露、支持记忆的安全删除，是亟待解决的问题。
挑战3：跨系统迁移
用户的记忆目前被锁定在特定系统中。未来需要标准化的记忆交换格式，支持用户携带记忆在不同AI服务间迁移。
挑战4：记忆的伦理边界
AI应该记住什么？应该忘记什么？谁有权决定？这些问题将随着记忆系统的普及而变得日益紧迫。
---
结语
Agent记忆系统正处于快速发展的关键阶段。从MemGPT的虚拟上下文管理，到A-MEM的动态知识网络，再到MemoryOS的分层存储架构，研究者们正在从多个维度探索记忆的奥秘。
这篇综述分析揭示了当前记忆系统的核心设计空间：信息提取的粒度、存储结构的组织、检索机制的选择、更新策略的制定。没有放之四海而皆准的最优方案，只有与场景需求相匹配的恰当选择。
值得注意的是，综述论文《Memory in the LLM Era》通过系统性的实验比较，发现了一些反直觉的结论：树状结构优于扁平结构、信息完整性强于过度提取、token消耗与性能正相关但粒度粗化不一定损害性能。这些发现为未来的系统设计提供了宝贵的经验指导。
展望未来，记忆系统将不再是AI的"附件"，而是其核心基础设施的一部分。正如人类离不开记忆一样，真正智能的Agent也离不开高效、可靠、可扩展的记忆系统。这个领域的每一次进步，都在为更智能、更个性化的AI体验奠定基础。
记忆是智能的基石。在LLM时代，我们正在重新发现这一古老真理的数字表达。
---
参考文献
1. Wu, Y., et al. (2026). Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework. arXiv:2604.01707.
2. Xu, W., et al. (2025). A-Mem: Agentic Memory for LLM Agents. arXiv:2502.12110.
3. Zhong, W., et al. (2023). MemoryBank: Enhancing Large Language Models with Long-Term Memory. arXiv:2305.10250.
4. Packer, C., et al. (2023). MemGPT: Towards LLMs as Operating Systems. arXiv:2310.08560.
5. Chhikara, P., et al. (2025). Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory. arXiv:2504.19413.
6. Lu, J., et al. (2023). MemoChat: Tuning LLMs to Use Memos for Consistent Long-Range Open-Domain Conversation. arXiv:2308.08239.
7. Rasmussen, P., et al. (2025). Zep: A Temporal Knowledge Graph Architecture for Agent Memory. arXiv:2501.13956.
8. Rezazadeh, A. (2024). MemTree: A Dynamic Tree-Structured Memory Representation for LLM Agents. arXiv:2410.14052.
9. Kang, J., et al. (2025). MemoryOS: A Hierarchical Memory Operating System for AI Agents. arXiv:2506.06326.
10. Li, Z., et al. (2025). MemOS: A Memory Operating System for Large Language Models. arXiv:2507.03724.
11. Maharana, A., et al. (2024). LoCoMo: Evaluating Very Long-Term Conversational Memory of LLM Agents. arXiv:2402.17753.
12. Wu, D., et al. (2024). LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory. arXiv:2410.10813.
---
*本文基于公开学术论文和技术文档整理分析，仅供学术研究参考。*
#Agent记忆 #记忆系统 #LLM #对比分析 #综述