AG娱乐,AG真人,AG平台,AG旗舰厅,AG视讯,AG娱乐平台,真人视讯平台,首存送彩金你是否想过 Agent 能像人类一样积累经验、不断成长？如今，这一愿景正加速走向现实。但是，现有研究要么只聚焦 AI 技术本身，要么对人脑记忆机制的借鉴浮于表面，两个学科之间始终缺少真正的灵感碰撞。

　　综述重新定义了记忆。记忆不仅仅是数据的存储，它也是认知的纽带。综述从认知神经科学到 Agent 对记忆进行了剖析：

　　在人脑中，记忆不仅仅是回放信息，其本质是大脑存储和管理信息的过程。记忆是连接过去经验与未来决策的认知桥梁。它分为两个阶段：在第一阶段，当大脑获得新概念或遇到新事件时，它会快速形成特定的神经表征，同时整合和存储这些信息。在第二阶段，大脑对存储的表征进行操作，要么随着时间的推移巩固它们，要么根据类似的未来情况检索它们。

　　Agent 的记忆超越了 LLM 的简单存储，它是一个动态的认知架构，该综述选择沿着三个核心维度解构记忆：

　　Agent Memory vs RAG：传统的 RAG 侧重于将 LLM 连接到静态的知识库进行查询，而 Agent Memory 是嵌入在 Agent 与其环境之间的动态交互过程中，不断地将 Agent 操作和环境反馈生成的信息合并到记忆容器中。

　　在认知神经科学中，记忆构成了大脑编码、存储和检索信息的神经过程，使个体能够保留过去的经验并利用它们来指导正在进行的行为并为未来的决策提供信息。

　　在 LLM 驱动的 Agent 中，模型原生的无状态性与复杂、长期任务所需的连续性需求之间存在着天然的鸿沟。因此，记忆超越了其作为桥接历史交互的被动存储库的角色，而是充当 Agent 认知架构中的关键主动组件。因此，给 Agent 装上记忆系统，并非只是为了记住，而是为了实现三大核心作用：

　　图 1. 记忆通过减轻上下文窗口限制、实现长期个性化以及驱动基于经验的推理来扩展 Agent 的能力。

　　在谈论 Agent 记忆的分类之前，综述首先梳理了认知神经科学对记忆的经典定义。人脑的记忆并不是一个单一的黑盒，而是一个分工明确的复杂系统。

　　记忆的概念最初源于认知神经科学，它被广泛地定义为大脑存储和管理信息的认知过程，允许在原始刺激或事件不再存在后访问和使用这些信息，通常分为短期记忆和长期记忆。

　　大脑的临时工作台。它负责在极短的时间窗口（约 15～20 秒）内维持和处理信息。

　　指对个人亲身经历过的特定事件的记忆。此类记忆通常不仅包括有关事件本身的详细信息，还包括其时间和空间背景，即事件发生的时间和地点。

　　指对所学事实知识、概念和规则的记忆。这些记忆与获取的特定时间和地点无关，并且它们的检索并不伴随着对过去特定事件的生动重新体验。

　　综述中指出，连贯的记忆分类对于系统地理解和设计 Agent 系统中的记忆机制至关重要。为了适应复杂的自主任务，综述提出了一套双维度的分类法。

　　图 2. (a) 基于性质的分类法，根据编码的信息类型对记忆进行分类。 (b) 基于范围的分类，根据记忆的应用范围来区分。

　　这是直接对齐人脑「情景和语义」的分类方式，决定了 Agent 在推理时使用的是「经验」还是「知识」。

　　分布在感觉皮层和额顶网络（Sensory-frontoparietal network）。

　　感觉皮层保留细节，额顶网络支持跨模式表示，允许不同通道信息在共享表示空间中链接和操作。

　　活动 - 沉默突触连接（Synaptic connection weights）：

　　海马体不是仓库，而是索引。新机制先在海马体暂存，通过系统巩固，慢慢转移到新皮层这个永久仓库中。

　　图 3. 认知神经科学中的记忆存储机制概述，包括短期和长期记忆的存储位置和存储格式。

　　不同于人脑浑然天成的神经网络，Agent 的记忆系统是显式的工程构建。不仅要解决存在哪的物理限制，还要在怎么存上进行复杂的数据结构选型，以在计算成本和推理能力之间寻找最优解。

　　记忆不是一个静态的仓库，而是一条奔流不息的河流。在人类大脑中，记忆通过海马体的重播和新皮层的巩固，不断被重写和重构。而在 Agent 中，记忆管理则是提取（Extraction）、更新（Updating）、检索（Retrieval）、应用（Application）的精密闭环。

　　人脑的记忆管理不是简单的「写入」和「读取」，而是一个充满可塑性的动态过程。

　　图 4. 认知神经科学中的记忆管理概述。该框架阐释了信息处理的动态循环，包括记忆形成、更新和检索，通过这个循环，长期记忆支持对外部环境的灵活适应。

　　海马体将新皮层内分布的感觉特征结合成统一的表征，并选择性地调节其与感觉皮层的相互作用，以放大未来高效用的表征。

　　在清醒休息或睡眠等离线状态下，海马体通过重播，不断与新皮层同步活动，重新组织和调整新信息，使其稳定下来。

　　通过海马体与内侧前额叶皮层的协作，将巩固的记忆痕迹转化为有组织的关联知识，并最终将其重新分配至新皮层以实现持久的抽象存储。

　　与在受限窗口内执行瞬态处理的标准大语言模型不同，Agent 通过显式管理机制实现体验的持久调节。

　　图 5. Agent 中记忆管理的概述。该框架形成了一个由记忆提取、更新、检索和利用组成的闭环管道，从而实现持久的经验调节和长期推理。

　　随着 Agent 被部署在长期任务中，记忆成为了攻击。其主要的攻击方式分为两类：

　　把隐私「套」出来，攻击者的目标是 “偷数据”，其手段是利用精心设计的 Prompt 诱导 Agent。例如，黑客可能伪装成系统管理员，套取 Agent 长期记忆中存储的用户敏感信息。

　　把思想「改变」，攻击者的目标是「坏脑子」。首先第一种是后门植入：向记忆库中注入带有「触发器」的恶意数据，平时 Agent 表现正常，一旦遇到特定的指令，就会触发恶意行为。其次是注入大量噪声或偏见数据的认知污染：让 Agent 的判断力退化，变得糊涂或产生严重的价值观偏差。

　　未来的 Agent Memory 需要打破模态的界限。目前的 Agent 在面对视频、音频等非结构化数据时，往往采用「暴力压缩」或「转写为文字」的方式，这会导致大量丰富的视觉细节（如微表情、光影变化）和听觉情感在转换中丢失。未来的记忆系统应该是全模态 (Omni-modal)的，不仅存文本，还存储压缩后的视觉 / 听觉特征向量，其终极目标是使 Agent 不仅能「读」懂，还能「看」见，真正理解物理世界。

　　现在的 Agent memory 往往是孤立。训练好一个专为写代码的 Agent，它的经验（记忆）很难直接传给另一个专为数学的 Agent，这导致了严重的重复造轮子。

　　这是因为不同的 Agent 之间的异构性，导致记忆接口的不一致，因此记忆很难直接移植重用。论文借用了 Anthropic 提出的「Agent Skills」概念，即 Agent 将指令集、可执行脚本和相关资源封装到结构化目录单元中。这就好比游戏里的「装备」或「技能书」可以在不同玩家间重复使用。

　　当前的记忆系统主要是为文本形式设计的。如何构建支持多模态信息的统一存储框架，包括文本、图像、音频和视频，同时设计跨模态检索和推理机制，是支持跨模态 skills 迁移的关键。

　　不同的 Agent 结构，例如那些建立在不同基础模型上的 Agent，表现出差异在能力特征和接口规范方面。设计通用的 skills 描述语言，使 skills 能够无缝地转移并且跨异构代理的重用构成了实现真实代理的关键挑战 skill-sharing 生态系统。

　　平台声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。