很抱歉，您提供的信息不完整，我无法直接给出答案。请您提供更具体的问题或信息，这样我才能更好地帮助您。

背景 智能体记忆如今极其碎片化，研究人员们发现，当大家谈论智能体记忆时，所指的可能完全是不同的事物：有人专注于存储用户对话历史，有人研究如何从失败中提炼策略，还有人试图将知识直接烙进模型参数里。同时，大量新兴术语（如陈述性记忆、情景记忆、参数记忆等）的涌现，进一步模糊了概念的清晰度 因此，这篇综述直指当前领域的核心痛点：我们迫切需要一套能够统一定义、厘清边界、并指引未来方向的系统性框架。论文旨在回答几个根本性问题： 智能体记忆究竟是什么？ 智能体记忆有哪些不同的实现形态？ 智能体记忆被设计来达成何种目的？ 智能体记忆是如何随着时间动态发展、演化和使用的？ 针对这些问题，论文界定了智能体记忆和几个易混淆概念的边界与练习，并在形式、功能、动态三个维度上提出了统一的分类体系，这项研究系统性的梳理了已有的智能体工作和评测基准，为后续研究提供了扎实的理论基础 什么是智能体记忆 智能体被形式化地定义为一个在特定环境中感知、决策并行动的系统。这个环境可以是一个网站浏览器、一个代码仓库，甚至是一个多人在线的虚拟世界。智能体通过传感器（通常是 LLM 对文本或图像的理解能力）获取 "观察"，然后基于这些观察和自己的 "记忆" 来选择一个 "动作" 智能体记忆和 LLM 记忆的关系：智能体记忆在概念让包含了早期的 LLM 记忆（如何在多轮互动中维持状态与身份） 智能体记忆与 RAG 的关系：智能体 RAG 通常操作的是一个为特定任务准备的外部数据库，而智能体记忆维护的是一个属于智能体自身、持续累积、跨越任务的内部记忆基底（随着环境交互而动态增长、演化的） 智能体记忆与上下文工程的关系：二者的重合程度较高；上下文工程关注的是如何把 "信息" 喂给大模型，而智能体记忆更关注智能体应该知道什么、如何成长。一个是接口，一个是内在 智能体记忆不是管理在推理时向模型呈现信息的方式，而是控制智能体知道什么、经历过什么以及这些元素如何随着时间的推移而演变。这包括将重复的交互整合为知识，从过去的成功和失败中抽象出程序性知识，以及在任务和场景之间保持一致的身份 智能体记忆的实现形态 (1) Token-level Memory 这是最直观常见的记忆形式，最大的优点是透明、可解释、易编辑。我们可以随时查看智能体记住了什么，修改错误的信息，或者删除过时的内容。例如早期著名的 MemGPT 框架，就模仿计算机操作系统的内存管理，将对话历史和外部的文档知识作为 "虚拟内存" 进行分页管理，实现了超越模型原生上下文长度的 "记忆" 能力 根据组织这些 token 的结构复杂度，token-level memory 又可以分为三类： 扁平记忆（1D）：像日记本一样按时间顺序或简单堆叠记录，易于增删，但查找和关联信息效率较低 平面记忆（2D）：引入了结构，如用树来组织对话的层次，或用图来连接不同的知识点（如 A-MEM 系统将记忆组织成互相关联的卡片网络）。这提升了信息的组织性和关联推理能力 分层记忆（3D）：在平面结构上叠加了抽象的层级，形成多层级结构。例如 GraphRAG 通过社区检测构建多层索引，或 G-Memory 为多智能体系统设计的三层图（交互、查询、洞察层）。这种结构能同时管理细节与大局，支持从宏观战略到微观执行的垂直信息检索 (2) Parametric Memory 将记忆直接写入模型的权重参数之中，它不像外部笔记那样可以被随时翻阅，而是像人通过反复练习学会骑自行车一样，将技能或知识转化为一种内隐的、本能式的反应模式 这种记忆又分为两种路径：一种是直接调整大模型本身的参数（内部参数记忆），例如通过微调让模型记住某个用户的特定偏好；另一种是在模型之外附加轻量级的 "适配器" 模块（如 LoRA），让新记忆存放在这些额外参数中，而不改动原始模型，实现模块化的记忆更新（外部参数记忆）。 参数记忆的优势在于推理速度快、无需外部检索，知识被直接激活。但其缺点也很明显：更新成本高（需要训练），且容易导致 "灾难性遗忘" (3) Latent Memory 将记忆存储在模型推理过程中的中间状态里，例如 Transformer 模型中的 KV Cache 的形式，论文将此种方法分为三类： 生成式：让模型动态生成一些特殊的 "记忆令牌" 或压缩向量，来代表当前重要的信息，供后续步骤使用 重用式：直接保存和复用之前计算产生的中间状态，避免重复计算，是实现高效长上下文处理的关键技术之一 转换式：对已有的中间状态进行压缩、剪枝或聚合，在保留核心信息的同时减少存储开销 (4) 总结 这三种形态的记忆并非彼此排斥，而是构成了一个连续的谱系。