Du stockage à l'expérience : une revue de l'évolution des mécanismes de mémoire des agents LLM
From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms
May 7, 2026
Auteurs: Jinghao Luo, Yuchen Tian, Chuxue Cao, Ziyang Luo, Hongzhan Lin, Kaixin Li, Chuyi Kong, Ruichao Yang, Jing Ma
cs.AI
Résumé
Les agents basés sur les grands modèles de langage (LLM) ont fondamentalement remodelé l'intelligence artificielle en intégrant des outils externes et des capacités de planification. Si les mécanismes de mémoire sont devenus la pierre angulaire architecturale de ces systèmes, la recherche actuelle reste fragmentée, oscillant entre ingénierie des systèmes d'exploitation et sciences cognitives. Ce clivage théorique empêche une vision unifiée de la synthèse technologique et une perspective évolutive cohérente. Pour combler ce fossé, cette étude propose un cadre évolutif novateur pour les mécanismes de mémoire des agents LLM, formalisant le processus de développement en trois étapes : Stockage (préservation des trajectoires), Réflexion (affinement des trajectoires) et Expérience (abstraction des trajectoires). Nous définissons d'abord formellement ces trois étapes avant d'analyser les trois moteurs principaux de cette évolution : la nécessité d'une cohérence à long terme, les défis dans les environnements dynamiques et l'objectif ultime de l'apprentissage continu. De plus, nous explorons spécifiquement deux mécanismes transformateurs à la frontière du stade Expérience : l'exploration proactive et l'abstraction inter-trajectoires. En synthétisant ces vues disparates, ce travail offre des principes de conception robustes et une feuille de route claire pour le développement des agents LLM de prochaine génération.
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.