Del Almacenamiento a la Experiencia: Un Estudio sobre la Evolución de los Mecanismos de Memoria en Agentes de LLM
From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms
May 7, 2026
Autores: Jinghao Luo, Yuchen Tian, Chuxue Cao, Ziyang Luo, Hongzhan Lin, Kaixin Li, Chuyi Kong, Ruichao Yang, Jing Ma
cs.AI
Resumen
Los modelos basados en agentes de lenguaje de gran escala (LLM, por sus siglas en inglés) han transformado fundamentalmente la inteligencia artificial al integrar herramientas externas y capacidades de planificación. Si bien los mecanismos de memoria han surgido como el pilar arquitectónico de estos sistemas, la investigación actual sigue fragmentada, oscilando entre la ingeniería de sistemas operativos y las ciencias cognitivas. Esta división teórica impide una visión unificada de la síntesis tecnológica y una perspectiva evolutiva coherente. Para cerrar esta brecha, este estudio propone un marco evolutivo novedoso para los mecanismos de memoria de los agentes LLM, formalizando el proceso de desarrollo en tres etapas: Almacenamiento (preservación de trayectorias), Reflexión (refinamiento de trayectorias) y Experiencia (abstracción de trayectorias). Primero definimos formalmente estas tres etapas antes de analizar los tres impulsores centrales de esta evolución: la necesidad de consistencia a largo plazo, los desafíos en entornos dinámicos y el objetivo final del aprendizaje continuo. Además, exploramos específicamente dos mecanismos transformadores en la etapa fronteriza de Experiencia: la exploración proactiva y la abstracción de trayectorias cruzadas. Al sintetizar estas perspectivas dispares, este trabajo ofrece principios de diseño robustos y una hoja de ruta clara para el desarrollo de agentes LLM de próxima generación.
English
Large Language Model (LLM)-based agents have fundamentally reshaped artificial intelligence by integrating external tools and planning capabilities. While memory mechanisms have emerged as the architectural cornerstone of these systems, current research remains fragmented, oscillating between operating system engineering and cognitive science. This theoretical divide prevents a unified view of technological synthesis and a coherent evolutionary perspective. To bridge this gap, this survey proposes a novel evolutionary framework for LLM agent memory mechanisms, formalizing the development process into three stages: Storage (trajectory preservation), Reflection (trajectory refinement), and Experience (trajectory abstraction). We first formally define these three stages before analyzing the three core drivers of this evolution: the necessity for long-range consistency, the challenges in dynamic environments, and the ultimate goal of continual learning. Furthermore, we specifically explore two transformative mechanisms in the frontier Experience stage: proactive exploration and cross-trajectory abstraction. By synthesizing these disparate views, this work offers robust design principles and a clear roadmap for the development of next-generation LLM agents.