Van Opslag naar Ervaring: Een Overzicht van de Evolutie van Geheugenmechanismen voor LLM-agenten

Samenvatting

Op LLM gebaseerde agenten hebben kunstmatige intelligentie fundamenteel hervormd door externe tools en planningsmogelijkheden te integreren. Hoewel geheugenmechanismen naar voren zijn gekomen als de architecturale hoeksteen van deze systemen, blijft het huidige onderzoek gefragmenteerd, pendelend tussen besturingssysteemtechniek en cognitieve wetenschap. Deze theoretische kloof verhindert een uniform beeld van technologische synthese en een coherent evolutionair perspectief. Om deze kloof te overbruggen, stelt dit overzichtsartikel een nieuw evolutionair raamwerk voor voor LLM-agentengeheugenmechanismen, waarbij het ontwikkelingsproces wordt geformaliseerd in drie fasen: Opslag (trajectbehoud), Reflectie (trajectverfijning) en Ervaring (trajectabstractie). We definiëren eerst formeel deze drie fasen voordat we de drie kerndrijvers van deze evolutie analyseren: de noodzaak voor consistentie over lange afstand, de uitdagingen in dynamische omgevingen en het uiteindelijke doel van continu leren. Verder verkennen we specifiek twee transformatieve mechanismen in de grensverleggende Ervaringsfase: proactieve verkenning en cross-trajectabstractie. Door deze uiteenlopende perspectieven te synthetiseren, biedt dit werk robuuste ontwerpprincipes en een duidelijke routekaart voor de ontwikkeling van volgende-generatie LLM-agenten.

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.