隨着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 應用深度落地、智能體技術快速迭代的當下，這類工具的共性痛點也隨之凸顯：即便強如 OpenClaw，仍受限於上下文窗口的技術侷限，執行多步驟、長週期任務時，需要用戶反覆複述上下文信息、任務要求與操作邏輯。
每一次開啓新會話、推進任務新環節，智能體都無法有效延續過往交互經驗，只能重新接收指令、適配需求，繁瑣的重複操作大幅降低工作效率，也讓智能體的實際應用價值難以充分釋放。如何讓智能體真正具備穩定的長期記憶能力，實現記憶的高效共享與自主進化？都是 AI 領域亟待解決的關鍵問題。
AI 記憶是智能系統不可或缺的一部分，但目前 AI 記憶的研究或應用仍處探索與行業適配的初級階段。儘管近半年以來不斷湧現出關於 AI 記憶系統架構方面的研究與方法，然而關於 AI 記憶相關的很多概念，仍然缺乏清晰的界定。
近期，北京郵電大學百家 AI MemoryOS 團隊與華爲聯合在 GitHub 發表了一篇綜述論文《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 記憶的進化圖景：內容路線圖綜述（來源：GitHub）
研究團隊結合認知心理學、神經科學及記憶系統的經典理論，提出了一套清晰的 AI 記憶分類方法（4W 分類體系），並系統梳理了當前 AI 記憶的技術架構、應用場景和評估基準。
圖丨相關論文（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，而是記憶是否可控、可演化、可信賴。我們的研究爲 AI 記憶梳理了從理論基礎到實際應用的全景圖。”北京郵電大學副教授白婷告訴 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
現在大家都在談論 AI 記憶，但缺乏統一的認知。現實情況往往是先做系統，再補理論。過去兩年，經常會看到記憶（Memory）、知識（Knowledge）、上下文（Context）、經驗（Experience）等概念，但它們有什麼本質的區別？記憶在認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，填補了此前大模型、Agent 類論文中較少提到記憶理論基礎的空白。這不是在教 AI 多記一點，而是在重新定義 AI 應該記什麼。
根據綜述論文，研究團隊將知識定義爲相對靜態的、比較穩定的一類存儲形式；相對靜態的知識（Knowledge）而言，記憶（Memory）是應用的動態的形式；上下文（Context）更側重描述智能體程序執行層面的信息；經驗（Experience or Skill）是 AI 記憶下一步進化中更高程度的凝練。不同概念之間相互交叉，各有側重。
·LLM Memory：模型中權重的計算核心，它更多的是從模型層面看，上下文的窗口多大，或一種參數型的形式。
·Agent Memory：用功能性工作流的方式，對“感知-規劃-行動”循環中的複雜任務執行過程中產生的記憶行爲。
·AI Memory：是一種更宏觀的認知概念，旨在實現終身進化、長期持久性和適應性，它是面向終身學習、自進化的更高抽象。
白婷表示：“這是我們整個綜述的理論基礎，通過從認知科學到計算框架，以及一些核心概念的界定，希望能夠爲AI記憶的理論和應用層面提供更清晰的認知。”
圖丨LLM 記憶、Agent 記憶和 AI 記憶之間的相互關係（來源：GitHub）
4W 分類體系：爲 AI 記憶建立統一“座標軸”
此前，研究團隊提出了一種模擬人腦記憶機制的大模型記憶操作系統 MemoryOS[3]，其核心突破在於實現了分層記憶架構與類操作系統動態段頁記憶更新策略（DeepTech 此前報道：不再擔心 AI “健忘”，北郵團隊開源大模型記憶操作系統）。
他們發現，儘管領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，有人做參數性記憶，還有人做多模態。它們之間有何區別和聯繫呢？
爲梳理這個問題，研究團隊獨創了一套明確的“座標軸”——4W 分類體系。這不是一個標準答案，而是讓研究者和設計者明確瞭解“我在解決哪一類問題”。
·When：記憶持續的生命週期，比如瞬時、會話、持久；
·What：記憶包含信息的性質，比如程序、事實（陳述性信息）、元認知反思、個性化；
·HoW：記憶的底層儲存形式，包括隱式（參數性記憶）和顯式（例如結構化圖譜和原始文本等）；
·Which：記憶模態的分類，單模態（純文本）、多模態（語音、圖片、文本融合）。
圖丨4W 記憶分類法用於系統化分類人工智能記憶系統（來源：GitHub）
白婷指出，“儘管四種分類存在交叉融合，但我們從四個維度對記憶進行區分，相當於爲領域建立了一個標準的‘座標軸’體系，有助於爲記憶模型架構設計梳理更清晰的角度。”
多智能體系統：記憶從個體能力升級爲羣體能力
OpenClaw 的爆火，讓人們首次直觀地看到：AI Agent 已經可以像“數字員工”那樣自動完成複雜任務。白婷指出，從記憶和協作的角度來看，OpenClaw 並非多智能體之間的交互，而是爲完成任務自行規劃推理步驟的單一智能體。
她進一步說道：“OpenClaw 在工作流程中的通信方式，顯著不同於與斯坦福小鎮中多個 Agent 的共同自我進化。它未來的形態是多樣的，可能是多Agent（多龍蝦）之間的交互協作，但終極目標仍然是如何更好地完成特定任務和服務於人類。”
在研究團隊的 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，構建一座可度量價值的橋樑，以 Agent 爲橋樑，進而打通人與人之間的經驗共享。
如果說個體記憶決定 Agent 的能力上限，那麼羣體記憶決定的就是多智能體系統的協作上限。正如人類文明的進步來自部落、羣體的演化，在硅基世界，多智能體的關鍵不是數量，而是通信機制的完善、記憶共享和經驗遷移。
研究中提到，單智能體記憶主流架構包括層級式、類 OS 式（Memory OS）、認知進化式等。它的核心功能在於實現存儲、檢索和更新，並進一步支持智能體的自我進化。
不僅如此，研究團隊還分析了多智能體的記憶架構，這部分在此前的綜述研究中較少提及。他們認爲，多智能體系統（MAS，Multi-Agent System）記憶機制旨在突破智能體記憶孤島，實現羣體智能。記憶共享依賴於通信，而多智能體系統與單智能體系統最大的不同就在於通信機制。
從通信機制分類來看，顯式通信通常包括非結構化自然語言交互、結構化數據範式（如 JSON、UML），以及動態路由；而隱式通信則通過壓縮向量、嵌入或知識壓縮實現。釐清通信方式之後，才能進一步理解多智能體中的記憶共享。
研究人員將記憶共享分爲兩個層級：一是任務級共享，使多智能體在不同任務執行中通過經驗積累實現長期進化，這是多智能體的核心優勢。二是步驟級共享，對應當前 Agent 協作的細粒度執行層面，通過上下文路由動態分配關鍵信息，此時“上下文（Context）”是最合適的概念。
從更宏觀的角度，記憶共享或自進化能力更多的是從認知的角度，希望賦予智能體或大模型實現 AGI 的能力。白婷認爲，從當前領域發展來看，這是未來大模型持續實現能力提升的重要支撐，也是其實現演化的核心路徑之一。
圖丨多智能體系統（MAS）中的記憶機制劃分爲兩個維度（來源：GitHub）
爲什麼“評估 AI 記憶”比做記憶更難？
一個關鍵的問題是：到底什麼是好的記憶？如果說不清這個問題，這個領域很難真正成熟。
過去，領域裏評估的是回答的準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行過系統評估，它表現在：智能體會不會動態更新、遺忘，有沒有高級認知能力，比如是否能泛化以及實時反饋的能力。
研究團隊首次對 Agent 評估維度進行了系統梳理，包括：記憶的檢索能力、動態更新能力、高級認知能力以及系統效率能力。
白婷認爲，AI 記憶未來有可能是由“個體記憶+羣體經驗”組成的雙系統，羣體經驗依靠於個體的記憶做高度凝練。此外，未來的趨勢是多 Agent 系統中能夠積澱經驗、積澱技能，然後自我協同發展和進化。
在她看來，AI 記憶最直接應用的方向是提效人類生活的 AI 工具，例如個人助手，但現有的應用還非常不成熟。從更長遠的角度看，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。
有望開啓人機認知共同進化的全新階段
在綜述論文最後的章節中，研究團隊回顧了當前領域的挑戰，並對未來發展趨勢進行了展望。
研究人員認爲，記憶機制是將靜態大模型向具備持續學習能力的動態智能體進化過程中的核心支撐。但不容忽視的是，當前 AI 記憶領域仍處於起步階段，其面臨三方面關鍵挑戰：架構衝突、理論方法缺口、安全風險與運維複雜性。
研究提到，AI 記憶的未來將向以下趨勢發展：首先，未來 AI 系統將突破被動的存儲和檢索的侷限，朝着類腦啓發的記憶建模方式發展。例如，海馬體的理論借鑑了生物互補學習系統來實現經驗，或實現記憶的快速獲取與漸進式整合的分離。因此，未來對於多模態記憶的統一表徵，或可塑性、穩定性等，需要進一步探索更理想的架構。
其次，AI 記憶向 AI 經驗升級發展是通往終身進化的必經之路，依託經驗驅動推理與規劃，形成“記憶-執行-優化-經驗”的自進化機制。
再次，智能體會向自進化的集體記憶發展。通過建立上下文感知的動態權限訪問控制和隱私保護機制，進行去重、聚類來實現共同協議下集體記憶的自進化的組織優化方式，保障多智能體協作的安全性和穩健性。
百家 AI MemoryOS 團隊的重點研究方向是多智能體架構，包括記憶共享的架構，以及協同推理和協作架構。此外，他們還致力於開發經驗記憶共享的平臺，探索如何將零散的記憶形態凝練成可複用、可進化的高階記憶形式。
除了學術研究，該團隊還積極探索將學術創新與工業界結合的可能性，目前已與騰訊、小米、華爲等多家企業在智能體方向進行合作，例如幫助企業開發創新架構或規範定義新範式等。
白婷表示：“AI 記憶的發展是邁向 AGI 的關鍵的一步，我們希望以成熟的 AI 系統推動智能體從靜態工具升級爲自適應的終身協作夥伴，並開啓人機認知共同進化的全新階段。”
參考資料：
1.GitHub論文地址：
https://Github.com/BAI-LAB/Survey-on-AI-Memory
2.項目地址：
https://baijia.online/homepage/memory_survey.html
3.往期論文地址：
https://arxiv.org/pdf/2506.06326
