Do Armazenamento à Experiência: Uma Revisão sobre a Evolução dos Mecanismos de Memória de Agentes LLM

Resumo

Os agentes baseados em Grandes Modelos de Linguagem (LLM) redefiniram fundamentalmente a inteligência artificial ao integrar ferramentas externas e capacidades de planejamento. Embora os mecanismos de memória tenham emergido como a espinha dorsal arquitetônica desses sistemas, a pesquisa atual permanece fragmentada, oscilando entre a engenharia de sistemas operacionais e a ciência cognitiva. Essa divisão teórica impede uma visão unificada da síntese tecnológica e uma perspectiva evolutiva coerente. Para superar essa lacuna, este artigo de revisão propõe um novo arcabouço evolutivo para mecanismos de memória em agentes LLM, formalizando o processo de desenvolvimento em três estágios: Armazenamento (preservação de trajetórias), Reflexão (refinamento de trajetórias) e Experiência (abstração de trajetórias). Primeiramente, definimos formalmente esses três estágios antes de analisar os três impulsionadores centrais dessa evolução: a necessidade de consistência de longo alcance, os desafios em ambientes dinâmicos e o objetivo final do aprendizado contínuo. Além disso, exploramos especificamente dois mecanismos transformadores no estágio avançado de Experiência: exploração proativa e abstração entre trajetórias. Ao sintetizar essas visões díspares, este trabalho oferece princípios de design robustos e um roteiro claro para o desenvolvimento de agentes LLM de próxima geração.

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.