随着近期自动化智能体工具OpenClaw火爆出圈，让智能体完成代码编写、研究分析、自动化工作流搭建的能力被更多人看见。而在 AI 应用深度落地、智能体技术快速迭代的当下，这类工具的共性痛点也随之凸显：即便强如 OpenClaw，仍受限于上下文窗口的技术局限，执行多步骤、长周期任务时，需要用户反复复述上下文信息、任务要求与操作逻辑。

每一次开启新会话、推进任务新环节，智能体都无法有效延续过往交互经验，只能重新接收指令、适配需求，繁琐的重复操作大幅降低工作效率，也让智能体的实际应用价值难以充分释放。如何让智能体真正具备稳定的长期记忆能力，实现记忆的高效共享与自主进化？都是 AI 领域亟待解决的关键问题。

AI 记忆是智能系统不可或缺的一部分，但目前 AI 记忆的研究或应用仍处探索与行业适配的初级阶段。尽管近半年以来不断涌现出关于 AI 记忆系统架构方面的研究与方法，然而关于 AI 记忆相关的很多概念，仍然缺乏清晰的界定。

近期，北京邮电大学百家AI MemoryOS 团队与华为联合在 GitHub 发表了一篇综述论文《AI 记忆综述：理论、分类、评测与趋势》（Survey on AI Memory：Theories, Taxonomies, evaluations, and Emerging Trends）[1]。

图丨AI 记忆的进化图景：内容路线图综述（GitHub）

研究团队结合认知心理学、神经科学及记忆系统的经典理论，提出了一套清晰的 AI 记忆分类方法（4W 分类体系），并系统梳理了当前 AI 记忆的技术架构、应用场景和评估基准。

图丨相关论文（GitHub）

“真正决定下一代 AI Agent 能不能用、好不好用的，不是更大的模型参数，而是记忆是否可控、可演化、可信赖。我们的研究为 AI 记忆梳理了从理论基础到实际应用的全景图。”北京邮电大学副教授白婷告诉 DeepTech。

图丨白婷（受访者）

重新理解 AI 记忆：从概念混淆到体系化界定

现在大家都在谈论 AI 记忆，但缺乏统一的认知。现实情况往往是先做系统，再补理论。过去两年，经常会看到记忆（Memory）、知识（Knowledge）、上下文（Context）、经验（Experience）等概念，但它们有什么本质的区别？记忆在认知层面又具体扮演怎样的角色？

该研究通过 Atkinson–Shiffrin 模型、工作记忆模型等，填补了此前大模型、Agent 类论文中较少提到记忆理论基础的空白。这不是在教 AI 多记一点，而是在重新定义 AI 应该记什么。

根据综述论文，研究团队将知识定义为相对静态的、比较稳定的一类存储形式；相对静态的知识（Knowledge）而言，记忆（Memory）是应用的动态的形式；上下文（Context）更侧重描述智能体程序执行层面的信息；经验（Experience or Skill）是 AI 记忆下一步进化中更高程度的凝练。不同概念之间相互交叉，各有侧重。

·LLM Memory：模型中权重的计算核心，它更多的是从模型层面看，上下文的窗口多大，或一种参数型的形式。

·Agent Memory：用功能性工作流的方式，对“感知-规划-行动”循环中的复杂任务执行过程中产生的记忆行为。

·AI Memory：是一种更宏观的认知概念，旨在实现终身进化、长期持久性和适应性，它是面向终身学习、自进化的更高抽象。

白婷表示：“这是我们整个综述的理论基础，通过从认知科学到计算框架，以及一些核心概念的界定，希望能够为AI记忆的理论和应用层面提供更清晰的认知。”

图丨LLM 记忆、Agent 记忆和 AI 记忆之间的相互关系（GitH

4W 分类体系：为 AI 记忆建立统一“坐标轴”

此前，研究团队提出了一种模拟人脑记忆机制的大模型记忆操作系统MemoryOS[3]，其核心突破在于实现了分层记忆架构与类操作系统动态段页记忆更新策略（DeepTech 此前报道：不再担心 AI “健忘”，北邮团队开源大模型记忆操作系统）。

他们发现，尽管领域从那时起开始聚焦记忆方向，但不可避免地“各说各话”：有人做显式记忆，有人做隐式记忆，有人做参数性记忆，还有人做多模态。它们之间有何区别和联系呢？

为梳理这个问题，研究团队独创了一套明确的“坐标轴”——4W 分类体系。这不是一个标准答案，而是让研究者和设计者明确了解“我在解决哪一类问题”。

·When：记忆持续的生命周期，比如瞬时、会话、持久；

·What：记忆包含信息的性质，比如程序、事实（陈述性信息）、元认知反思、个性化；

·HoW：记忆的底层储存形式，包括隐式（参数性记忆）和显式（例如结构化图谱和原始文本等）；

·Which：记忆模态的分类，单模态（纯文本）、多模态（语音、图片、文本融合）。

图丨4W 记忆分类法用于系统化分类人工智能记忆系统（GitH）

白婷指出，“尽管四种分类存在交叉融合，但我们从四个维度对记忆进行区分，相当于为领域建立了一个标准的‘坐标轴’体系，有助于为记忆模型架构设计梳理更清晰的角度。”

多智能体系统：记忆从个体能力升级为群体能力

OpenClaw 的爆火，让人们首次直观地看到：AI Agent 已经可以像“数字员工”那样自动完成复杂任务。白婷指出，从记忆和协作的角度来看，OpenClaw 并非多智能体之间的交互，而是为完成任务自行规划推理步骤的单一智能体。

她进一步说道：“OpenClaw 在工作流程中的通信方式，显著不同于与斯坦福小镇中多个 Agent 的共同自我进化。它未来的形态是多样的，可能是多Agent（多龙虾）之间的交互协作，但终极目标仍然是如何更好地完成特定任务和服务于人类。”

在研究团队的 Memory OS++研究中曾提到 AI 社交，旨在通过多个 Agent 之间的记忆共享，构建一座可度量价值的桥梁，以 Agent 为桥梁，进而打通人与人之间的经验共享。

如果说个体记忆决定 Agent 的能力上限，那么群体记忆决定的就是多智能体系统的协作上限。正如人类文明的进步来自部落、群体的演化，在硅基世界，多智能体的关键不是数量，而是通信机制的完善、记忆共享和经验迁移。

研究中提到，单智能体记忆主流架构包括层级式、类 OS 式（Memory OS）、认知进化式等。它的核心功能在于实现存储、检索和更新，并进一步支持智能体的自我进化。

不仅如此，研究团队还分析了多智能体的记忆架构，这部分在此前的综述研究中较少提及。他们认为，多智能体系统（MAS，Multi-Agent System）记忆机制旨在突破智能体记忆孤岛，实现群体智能。记忆共享依赖于通信，而多智能体系统与单智能体系统最大的不同就在于通信机制。

从通信机制分类来看，显式通信通常包括非结构化自然语言交互、结构化数据范式（如 JSON、UML），以及动态路由；而隐式通信则通过压缩向量、嵌入或知识压缩实现。厘清通信方式之后，才能进一步理解多智能体中的记忆共享。

研究人员将记忆共享分为两个层级：一是任务级共享，使多智能体在不同任务执行中通过经验积累实现长期进化，这是多智能体的核心优势。二是步骤级共享，对应当前 Agent 协作的细粒度执行层面，通过上下文路由动态分配关键信息，此时“上下文（Context）”是最合适的概念。

从更宏观的角度，记忆共享或自进化能力更多的是从认知的角度，希望赋予智能体或大模型实现 AGI 的能力。白婷认为，从当前领域发展来看，这是未来大模型持续实现能力提升的重要支撑，也是其实现演化的核心路径之一。

（GitHub）

为什么“评估 AI 记忆”比做记忆更难？

一个关键的问题是：到底什么是好的记忆？如果说不清这个问题，这个领域很难真正成熟。

过去，领域里评估的是回答的准确率或是否将记忆召回。但是需要看到的是，真正重要的是检索效率和检索效果，而这些方面过去几乎没有进行过系统评估，它表现在：智能体会不会动态更新、遗忘，有没有高级认知能力，比如是否能泛化以及实时反馈的能力。

研究团队首次对 Agent 评估维度进行了系统梳理，包括：记忆的检索能力、动态更新能力、高级认知能力以及系统效率能力。

白婷认为，AI 记忆未来有可能是由“个体记忆+群体经验”组成的双系统，群体经验依靠于个体的记忆做高度凝练。此外，未来的趋势是多 Agent 系统中能够积淀经验、积淀技能，然后自我协同发展和进化。

在她看来，AI 记忆最直接应用的方向是提效人类生活的 AI 工具，例如个人助手，但现有的应用还非常不成熟。从更长远的角度看，AI 记忆将更广泛地融入人类生活中，比如随时随地提供情感陪伴。

有望开启人机认知共同进化的全新阶段

在综述论文最后的章节中，研究团队回顾了当前领域的挑战，并对未来发展趋势进行了展望。

研究人员认为，记忆机制是将静态大模型向具备持续学习能力的动态智能体进化过程中的核心支撑。但不容忽视的是，当前 AI 记忆领域仍处于起步阶段，其面临三方面关键挑战：架构冲突、理论方法缺口、安全风险与运维复杂性。

研究提到，AI 记忆的未来将向以下趋势发展：首先，未来 AI 系统将突破被动的存储和检索的局限，朝着类脑启发的记忆建模方式发展。例如，海马体的理论借鉴了生物互补学习系统来实现经验，或实现记忆的快速获取与渐进式整合的分离。因此，未来对于多模态记忆的统一表征，或可塑性、稳定性等，需要进一步探索更理想的架构。

其次，AI 记忆向 AI 经验升级发展是通往终身进化的必经之路，依托经验驱动推理与规划，形成“记忆-执行-优化-经验”的自进化机制。

再次，智能体会向自进化的集体记忆发展。通过建立上下文感知的动态权限访问控制和隐私保护机制，进行去重、聚类来实现共同协议下集体记忆的自进化的组织优化方式，保障多智能体协作的安全性和稳健性。

百家 AI MemoryOS 团队的重点研究方向是多智能体架构，包括记忆共享的架构，以及协同推理和协作架构。此外，他们还致力于开发经验记忆共享的平台，探索如何将零散的记忆形态凝练成可复用、可进化的高阶记忆形式。

除了学术研究，该团队还积极探索将学术创新与工业界结合的可能性，目前已与腾讯、小米、华为等多家企业在智能体方向进行合作，例如帮助企业开发创新架构或规范定义新范式等。

白婷表示：“AI 记忆的发展是迈向 AGI 的关键的一步，我们希望以成熟的 AI 系统推动智能体从静态工具升级为自适应的终身协作伙伴，并开启人机认知共同进化的全新阶段。”

参考资料：

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

2.项目地址：https://baijia.online/homepage/memory_survey.html

3.往期论文地址：https://arxiv.org/pdf/2506.06326