От хранения к опыту: обзор эволюции механизмов памяти агентов на основе больших языковых моделей

From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms

May 7, 2026

Авторы: Jinghao Luo, Yuchen Tian, Chuxue Cao, Ziyang Luo, Hongzhan Lin, Kaixin Li, Chuyi Kong, Ruichao Yang, Jing Ma

cs.AI

Аннотация

Модели на основе больших языковых моделей (LLM) коренным образом преобразовали искусственный интеллект, интегрируя внешние инструменты и возможности планирования. Хотя механизмы памяти стали архитектурной основой таких систем, текущие исследования остаются фрагментированными, колеблясь между инженерией операционных систем и когнитивной наукой. Этот теоретический разрыв препятствует формированию единого взгляда на технологический синтез и последовательной эволюционной перспективы. Чтобы преодолеть этот пробел, в данном обзоре предлагается новая эволюционная структура для механизмов памяти LLM-агентов, формализующая процесс развития в три этапа: Хранение (сохранение траектории), Рефлексия (уточнение траектории) и Опыт (абстрагирование траектории). Сначала мы формально определяем эти три этапа, а затем анализируем три ключевых фактора этой эволюции: необходимость долгосрочной согласованности, вызовы динамических сред и конечную цель непрерывного обучения. Кроме того, мы детально исследуем два трансформационных механизма на передовом этапе Опыта: проактивное исследование и кросс-траекторное абстрагирование. Обобщая эти разрозненные взгляды, данная работа предлагает надежные принципы проектирования и четкую дорожную карту для разработки агентов LLM следующего поколения.

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.