【论文阅读】Agent 记忆机制（113）：Agentic Memory Management——从“检索相关信息”走向“管理 Agent 内部记忆”

文章目录

前言
零、论文基本信息
[一、为什么 Agent Memory 需要从信息检索视角重新理解](#一、为什么 Agent Memory 需要从信息检索视角重新理解)
- [1. 传统信息检索默认"最终消费者是人"](#1. 传统信息检索默认“最终消费者是人”)
- [2. 检索发生了两条彼此独立的迁移](#2. 检索发生了两条彼此独立的迁移)
- - [2.1 消费者变化：从人到 Agent](#2.1 消费者变化：从人到 Agent)
  - [2.2 位置变化：从外部工具到内部模块](#2.2 位置变化：从外部工具到内部模块)
- [3. AMM 的定义](#3. AMM 的定义)
- [4. 什么算记忆，什么不算记忆](#4. 什么算记忆，什么不算记忆)
[二、从传统 IR 到 AMM：继承了什么，又改变了什么](#二、从传统 IR 到 AMM：继承了什么，又改变了什么)
- [1. 传统 IR 的用户视角与系统视角](#1. 传统 IR 的用户视角与系统视角)
- [2. AMM 与传统 IR 的四维差异](#2. AMM 与传统 IR 的四维差异)
- [3. 可观测性反转：本文最有价值的评价洞见](#3. 可观测性反转：本文最有价值的评价洞见)
[ $\\text{AMM Evaluation}](#$ \text{AMM Evaluation})
[三、AMM 的系统级框架](#三、AMM 的系统级框架)
[四、核心对象分类：Constants、Functions 与 Operators](#四、核心对象分类：Constants、Functions 与 Operators)
- [1. 为什么不只沿用情景记忆、语义记忆和程序记忆](#1. 为什么不只沿用情景记忆、语义记忆和程序记忆)
- [2. 常量：按内容匹配的事实](#2. 常量：按内容匹配的事实)
- [3. 函数：按适用性匹配的技能与经验](#3. 函数：按适用性匹配的技能与经验)
- [4. 算子：按作用域匹配的偏好与原则](#4. 算子：按作用域匹配的偏好与原则)
- [5. 三类对象如何共同决定行为](#5. 三类对象如何共同决定行为)
- - [5.1 三层对象需要三种匹配准则](#5.1 三层对象需要三种匹配准则)
  - [5.2 错误会组合](#5.2 错误会组合)
  - [5.3 更新影响范围不同](#5.3 更新影响范围不同)
- [6. 三类对象的完整对照](#6. 三类对象的完整对照)
五、记忆管理的三个过程
- [1. Learning：一次经历应该留下什么](#1. Learning：一次经历应该留下什么)
- [2. Forgetting：遗忘不是简单删除旧数据](#2. Forgetting：遗忘不是简单删除旧数据)
- [3. Utilization：从找到记忆到真正使用记忆](#3. Utilization：从找到记忆到真正使用记忆)
六、应用与优化闭环
- [1. 四类应用强调不同记忆能力](#1. 四类应用强调不同记忆能力)
- [2. Reward Modeling：反馈到底意味着什么](#2. Reward Modeling：反馈到底意味着什么)
- [3. Credit Assignment：结果应该归因给哪个记忆决策](#3. Credit Assignment：结果应该归因给哪个记忆决策)
七、现有记忆系统在框架中的位置
八、研究议程
- [1. 构建系统化评测协议](#1. 构建系统化评测协议)
- - [1.1 覆盖对象代数](#1.1 覆盖对象代数)
  - [1.2 测试全部三个过程](#1.2 测试全部三个过程)
  - [1.3 提供反馈流](#1.3 提供反馈流)
  - [1.4 让作用域错误可检测](#1.4 让作用域错误可检测)
  - [1.5 同时报告 Backbone 和成本](#1.5 同时报告 Backbone 和成本)
- [2. 建立 AMM 与经典 IR 问题的翻译表](#2. 建立 AMM 与经典 IR 问题的翻译表)
- [3. 三条可检验的记忆原则](#3. 三条可检验的记忆原则)
- - [3.1 C1：Memory Utility Principle](#3.1 C1：Memory Utility Principle)
  - [3.2 C2：Abstraction Trade-off](#3.2 C2：Abstraction Trade-off)
  - [3.3 C3：Minimal Scope](#3.3 C3：Minimal Scope)
- [4. 参数化与非参数化联合优化](#4. 参数化与非参数化联合优化)
- [5. 把 Agent 当作一种新用户研究](#5. 把 Agent 当作一种新用户研究)
九、论文是否有实验、消融、失败案例与效率结果
- [1. 没有主实验与消融实验](#1. 没有主实验与消融实验)
- [2. 论文列出的典型反例与失效模式](#2. 论文列出的典型反例与失效模式)
- [3. 效率只被提出为评价维度，尚未实证](#3. 效率只被提出为评价维度，尚未实证)
[十、与 Agent Memory 系列工作的横向比较](#十、与 Agent Memory 系列工作的横向比较)
[十一、对 Coding Agent、Tool Agent 与 Multi-Agent 的启发](#十一、对 Coding Agent、Tool Agent 与 Multi-Agent 的启发)
- [1. Coding Agent：不要把所有经验都存成文本片段](#1. Coding Agent：不要把所有经验都存成文本片段)
- [2. Tool Agent：技能检索应关注可执行条件](#2. Tool Agent：技能检索应关注可执行条件)
- [3. Multi-Agent：必须把作用域变成一等公民](#3. Multi-Agent：必须把作用域变成一等公民)
- [4. 一个可落地的 AMM 工程分层](#4. 一个可落地的 AMM 工程分层)
十二、论文的局限性
- [1. 常量---函数---算子分类并非严格完备](#1. 常量—函数—算子分类并非严格完备)
- [2. 对 Operators 的边界仍然宽泛](#2. 对 Operators 的边界仍然宽泛)
- [3. "利用模型"仍停留在研究主张](#3. “利用模型”仍停留在研究主张)
- [4. 三条原则缺少形式证明和实证验证](#4. 三条原则缺少形式证明和实证验证)
- [5. 对多模态、具身与多 Agent 记忆展开不足](#5. 对多模态、具身与多 Agent 记忆展开不足)
- [6. 安全与治理问题被指出，但尚未进入核心框架](#6. 安全与治理问题被指出，但尚未进入核心框架)
- [7. 论文版本本身仍需谨慎引用](#7. 论文版本本身仍需谨慎引用)
十三、我的理解与启发
- [1. Agent Memory 的核心问题不是存储，而是行为控制](#1. Agent Memory 的核心问题不是存储，而是行为控制)
- [2. 统一向量库可能是早期 Agent Memory 最大的架构误区](#2. 统一向量库可能是早期 Agent Memory 最大的架构误区)
- [3. 从 Episode 到 Skill 再到 Principle，需要证据门槛](#3. 从 Episode 到 Skill 再到 Principle，需要证据门槛)
- [4. 删除必须沿抽象链传播](#4. 删除必须沿抽象链传播)
- [5. Benchmark 应从"回答记忆问题"转向"干预行为"](#5. Benchmark 应从“回答记忆问题”转向“干预行为”)
- [6. IR 的真正贡献可能是"可测量"，而不是再造一个 Retriever](#6. IR 的真正贡献可能是“可测量”，而不是再造一个 Retriever)
十四、总结
参考资料

前言

在前面的 Agent Memory 系列里，我们已经看到了几条很清晰的技术路线：

MemGPT / MemoryOS 关心有限上下文下的分层存储与调度；
Mem0 / A-MEM / MAGMA 关心如何把对话或经历组织成可检索、可演化的长期记忆；
CoM 进一步强调记忆之间的组合关系；
ReMemR1 让 Agent 在写入新记忆时主动回看旧记忆，避免"边读边记"造成不可逆的信息损失；
Mem²Evolve 一类工作则开始讨论记忆系统如何从反馈中持续演化。

这些工作虽然都叫"Memory"，但它们经常在不同层面解决不同问题：有的存事实，有的存经验，有的存技能，有的存偏好；有的重点是写入，有的重点是检索，还有的把模型自我反思也算作记忆更新。结果是，Agent Memory 逐渐形成了大量系统，却仍缺少一套能够回答以下问题的统一语言：

Agent 的记忆里究竟存的是什么对象？
不同对象是否应该采用同一种检索方式？
记忆系统的目标只是"召回相关内容"，还是要真正改变 Agent 的行为？
我们应当怎样判断一条记忆有用，以及应该在什么时候遗忘它？

《Agentic Memory Management Is the Next Frontier of Information Retrieval》不是再提出一个新的记忆系统，而是试图改变我们理解整个领域的方式。作者 Qingyao Ai 提出：Agent Memory 本质上可以被视为信息检索从"服务人"转向"服务 Agent"，并从外部工具进入 Agent 内部之后产生的新问题。 作者将这一研究对象命名为 Agentic Memory Management（AMM）。

这篇论文最重要的不是"Memory 也需要 Retrieval"这一显而易见的判断，而是进一步提出了一套计算视角：Agent 记忆中的对象不应只按人类心理学中的情景记忆、语义记忆和程序记忆分类，还可以按计算结构分为：

常量（Constants）：事实；
函数（Functions）：技能、工作流与可复用经验；
算子（Operators）：偏好、价值观、风格与推理倾向。

三类对象分别需要按内容、适用性和作用域检索。由此，记忆不再只是一个"向量库 + Top-K"的工程模块，而成为一个同时涉及对象表示、学习、遗忘、利用、反馈解释和信用分配的完整信息管理系统。

一句话核心增量：本文将 Agentic Memory Management 系统化为一种面向 Agent 的内部信息检索问题，并以"常量---函数---算子"对象代数、学习---遗忘---利用过程以及可观测性反转为核心，给出了一套连接 Agent Memory 与传统 IR 的统一研究框架。

需要提前说明：这是一篇 Perspective Paper，它提出定义、分类、理论猜想和研究议程，并没有训练新模型，也没有主实验、消融实验或 SOTA 对比。阅读重点因此不是"提升了多少分"，而是作者提出的框架是否清楚、是否可检验，以及它遗漏了什么。

零、论文基本信息

论文名称： Agentic Memory Management Is the Next Frontier of Information Retrieval
发表平台： arXiv:2610.32464（v1，2026 年 10 月 23 日）；论文稿件标注为 SIGIR 2027 Perspective Paper，但当前 PDF 的会议地点、DOI 与 ISBN 仍为占位信息，不能据此认定已被 SIGIR 2027 正式录用
代码仓库： 无。本文为观点与研究议程论文，不包含实现仓库
作者： Qingyao Ai（清华大学）

一、为什么 Agent Memory 需要从信息检索视角重新理解

1. 传统信息检索默认"最终消费者是人"

Salton 对信息检索的经典定义包含信息的结构、分析、组织、存储、搜索与检索。搜索引擎、推荐系统、问答系统虽然形态不同，但基本流程长期保持稳定：

信息集合 → 索引与匹配 → 把结果呈现给人 → 人完成任务 \text{信息集合} \rightarrow \text{索引与匹配} \rightarrow \text{把结果呈现给人} \rightarrow \text{人完成任务} 信息集合→索引与匹配→把结果呈现给人→人完成任务

这里有一个经常被忽略的前提：检索系统负责"把信息送到用户面前"，至于用户怎样理解、记忆和使用这些信息，通常发生在系统之外。

生成式 AI 和 Agent 改变了这个前提。用户不再亲自阅读每个网页或工具返回值，而是让 Agent 搜索、筛选、总结并行动。例如，订机票的 Agent 不是只返回十条航班链接，而是读取网页、比较方案、结合用户偏好，最后给出甚至执行预订计划。

此时，检索结果的直接消费者已经从人变成了模型。

2. 检索发生了两条彼此独立的迁移

论文区分了两种变化。

2.1 消费者变化：从人到 Agent

同一条信息，被人阅读和被模型读取，后果可能完全不同：

人通常从上到下浏览搜索结果，Agent 对长上下文却可能呈现"首尾强、中间弱"的位置偏差；
人看到网页中的"忽略之前的指令"一般不会将其当成对自己的命令，Agent 却可能遭遇间接提示注入；
人的注意力和耐心有限，Agent 可以读取大量候选，但成本转化为 Token、延迟和推理预算；
对人友好的标题、摘要与页面布局，不一定是对模型最有效的表示形式。

因此，"相关性排序"不能直接等同于"对 Agent 有用"。

2.2 位置变化：从外部工具到内部模块

传统搜索引擎位于人的外部，它可以推荐信息，却不能直接改写人的记忆或决定人的下一步行动。

Agent 则允许检索系统进入消费者内部：记忆模块决定一次经历留下什么、什么时候调用旧经验、检索结果怎样进入上下文，以及它是否改变下一步动作。

这意味着 IR 不再只是 Agent 调用的 Search Tool，还可以成为 Agent 智能的一部分：

经历 → 写入记忆 → 检索记忆 → 改变行为 → 获得反馈 \text{经历} \rightarrow \text{写入记忆} \rightarrow \text{检索记忆} \rightarrow \text{改变行为} \rightarrow \text{获得反馈} 经历→写入记忆→检索记忆→改变行为→获得反馈

3. AMM 的定义

作者沿用 Salton 的句式，把 AMM 定义为：

对智能 Agent 记忆中信息的结构、分析、组织、存储、搜索、检索与使用进行研究。

这里多出的"使用（use）"非常关键。传统 IR 往往止于返回结果，AMM 必须继续追问：被检索的内容有没有真正进入上下文？有没有被模型理解？有没有改变行为？改变之后任务是否更成功？

4. 什么算记忆，什么不算记忆

论文给出了操作性边界：凡是位于当前推理调用之外、系统能够写入或修改，并能在以后用于条件化 Agent 行为的信息，都属于记忆。

因此，下列对象都可以是记忆：

抽取出的用户事实与向量库条目；
文件目录中的笔记；
可执行技能库；
过去轨迹的关系型日志；
部署后更新的模型参数。

但当前推理调用中的上下文窗口本身不属于这个定义下的记忆。上下文是记忆被"使用"的地方。真正的研究问题恰恰是：什么内容应从长期存储被提升到上下文、何时提升，以及以什么形式提升。

二、从传统 IR 到 AMM：继承了什么，又改变了什么

1. 传统 IR 的用户视角与系统视角

研究环节	用户视角	系统视角
理解	查询日志挖掘、点击与行为分析、查询理解、用户画像	链接分析、聚类、内容质量估计
服务	界面设计、支持人的认知过程	有效性：检索与推荐；效率：索引、剪枝、查询性能预测
评价	相关性、多样性、公平性、满意度	时间、空间、延迟、能耗与低资源运行
最终目标	满足信息需求，并帮助用户在搜索、推荐、广告、问答和个人助理等场景中完成任务	同左

Table 1：信息检索研究的两种视角。 用户视角与系统视角从相反方向研究同一个问题，最终都服务于满足信息需求和完成任务。

作者回顾 IR 历史的目的并不是写一段教科书式背景，而是提醒读者：IR 的源头本来就与"记忆"紧密相关。Bush 在 1945 年提出的 Memex，就是一种人的外部记忆；搜索引擎后来也被视为人类记忆的替代品或认知植入物。

AMM 的变化是：过去 IR 组织的是人外部的信息，现在它开始组织 Agent 内部的信息。

2. AMM 与传统 IR 的四维差异

维度	AMM	传统 IR	变化性质
对象	各类信息，多来自交互且高度用户相关	各类信息，多由独立作者生产且较少绑定单一用户	程度变化
用户	代表人行动的 Agent	人	类型变化
目标	用户委托给 Agent 的各种活动	主要是信息访问	范围变化
评价	下游任务结果，更可观测且可重放	排名质量等代理指标	评价链路变化

Table 4：AMM 与传统 IR 的比较。 两者处理的信息对象和最终目标具有连续性，但直接消费者与评价流程发生了更根本的变化。

AMM 并不是与 IR 完全割裂的新领域。它仍然面对索引、时效性、冗余、噪声、匹配、个性化和反馈学习等经典问题。但交互产生、用户专属的内容带来了新的责任：隐私、删除、跨用户泄漏和错误偏好的长期固化。

3. 可观测性反转：本文最有价值的评价洞见

传统检索系统常常看不到最终任务是否完成。搜索引擎知道用户输入了什么、点击了什么，却不一定知道报告是否写完、旅行是否订成。因此，IR 通过相关性标注、NDCG 等代理指标来估计系统是否有用。

Agent 的情况恰好相反：它是可记录、可重放、可干预的系统。研究者可以观察：

哪条记忆被检索；
是否进入上下文；
Agent 的动作是否因它改变；
最终任务是否成功；
换一组记忆后结果是否变化。

作者把这种变化称为 Observability Inversion（可观测性反转）：下游使用和结果变得更可观测，而传统的主题相关性本身反而不再足够。

但端到端成功率也不是万能指标。强模型可能掩盖坏记忆，弱模型也可能浪费好记忆。因此，作者建议采用四层评价栈：

$$

\text{AMM Evaluation}

{\text{State Quality},\ \text{Utilization Quality},\ \text{Outcome},\ \text{Cost}}

状态质量：信息是否以合适抽象层次存储，是否过期、冲突或缺失；
利用质量：需要时是否检索到，检索后是否真正改变行为；
任务结果：在明确给定 Backbone 的情况下，任务是否成功；
成本：Token、延迟和存储代价。

这个分层比单独报告回答正确率更有诊断价值：它能区分"没记住""没找对""找到了但没用"以及"模型本身不会做"。

三、AMM 的系统级框架

在看图之前，需要先明确这张图解决的问题：现有 Agent Memory 工作经常只展示"写入---检索---生成"，却没有把记忆对象、管理过程、任务应用和反馈优化放进同一个闭环。Figure 1 用最简结构给出了作者的完整定义。

Figure 1：Agentic Memory Management 的系统级视图。 记忆对象经过学习、遗忘与利用过程服务于 Agent 应用；应用产生的反馈进入优化模块，再反向更新记忆对象和管理过程。

图中有四个组成部分：

Objects：记忆保存什么；
Procedures：记忆如何被学习、遗忘与利用；
Applications：记忆最终支持哪些 Agent 任务；
Optimization：怎样把下游反馈转化为对内容、结构和策略的更新。

它的意义在于把 Agent Memory 从一个被动数据库扩展为闭环学习系统。只有存储和检索，没有反馈归因，就不能解释系统为什么会随着使用而变好。

四、核心对象分类：Constants、Functions 与 Operators

1. 为什么不只沿用情景记忆、语义记忆和程序记忆

心理学分类擅长描述"人类记忆是什么"，却不直接告诉工程系统应该怎样匹配、更新和评价一条记忆。

例如，"用户护照 2028 年 3 月到期"和"在某航空网站改座位前先确认座位图"都可以来自历史经历，但二者的检索语义完全不同：前者要按内容和时间取值，后者要判断当前任务是否适用。

因此，作者引入计算对象分类。

2. 常量：按内容匹配的事实

常量 C C C 是离散、独立有意义的信息，例如：

用户护照的到期日期；
API Endpoint；
一次任务是否成功；
某个项目当前使用的依赖版本。

常量通常可以部分结构化，主要按内容检索。其典型失败包括：

值已经过期，却仍被当成当前事实；
新旧版本形成矛盾副本；
缺少时间或场景作用域；
系统把推断细节误写成事实。

3. 函数：按适用性匹配的技能与经验

函数 F F F 表示从输入到输出的映射，包括技能、工作流和可复用经验，例如：

如何在某航空公司网站更换座位；
如何定位某类构建失败；
如何完成一套数据清洗流程。

函数不能只按主题相似度检索。两个任务都与"航班"有关，不代表同一个操作流程适用。函数检索的核心是 Applicability（适用性）：当前环境、工具版本、前置条件和目标是否满足技能的调用条件。

典型失败包括：

技能过度拟合一次轨迹，换环境就不能迁移；
描述看起来合理，但实际已经无法执行；
没有执行验证信号，错误经验被反复复用。

4. 算子：按作用域匹配的偏好与原则

算子 H H H 是作用在函数上的高阶对象：

h : f ↦ f ′ h:f\mapsto f' h:f↦f′

它不直接完成任务，而是修改 Agent 完成任务的方式。例如：

不订红眼航班，即使它更便宜；
修改代码时优先采用最小 Diff，并补充测试；
执行动作之前先解释原因；
涉及风险操作时必须请求确认。

算子的检索语义是 Scope（作用域）：它属于哪个用户、哪个项目、哪个任务、哪个会话，在什么条件下生效，以及优先级多高。

典型失败包括：

把一个用户的偏好错误应用给另一个用户；
把一次局部修正泛化成全局规则；
多个偏好发生冲突却没有仲裁机制；
用户从未明确表达的偏好无法被发现。

5. 三类对象如何共同决定行为

作者用下面的记号概括 Agent 处理任务的过程：

y = h ( f ) ( x ; C ) , f ∈ F , h ∈ H y=h(f)(x;C), \qquad f\in F,\ h\in H y=h(f)(x;C),f∈F, h∈H

其中：

x x x 是当前任务输入；
C C C 提供完成任务所需事实；
f f f 是被选择的技能或流程；
h h h 用偏好、风格或规则修改这个流程；
y y y 是最终输出或动作。

这不是一个可直接训练的模型公式，而是一种组合记号。它揭示了三个重要事实。

5.1 三层对象需要三种匹配准则

Constant Retrieval → Content Match Function Retrieval → Applicability Match Operator Retrieval → Scope Match \begin{aligned} \text{Constant Retrieval} &\rightarrow \text{Content Match} \\ \text{Function Retrieval} &\rightarrow \text{Applicability Match} \\ \text{Operator Retrieval} &\rightarrow \text{Scope Match} \end{aligned} Constant RetrievalFunction RetrievalOperator Retrieval→Content Match→Applicability Match→Scope Match

如果仍然把三者全部编码进同一个向量空间，再用统一的余弦相似度 Top-K，系统很容易"主题上相关、行为上错误"。

5.2 错误会组合

事实正确不代表任务正确。系统可能拿到了正确航班信息，却调用了错误订票流程；也可能技能执行正确，却忽略了用户"不坐红眼航班"的偏好。

5.3 更新影响范围不同

事实修正通常只影响使用该事实的任务；偏好修正却可能改变大量未来工作流。因此，算子的错误写入比单条事实错误更容易产生系统性后果。

6. 三类对象的完整对照

层级	数学类比	结构	旅行助手示例	检索语义与典型失败
Constants C C C：事实	点 c c c	部分结构化	"用户护照于 2028 年 3 月到期"	按内容匹配；过期、被新值替代、矛盾副本、缺少时间作用域、虚构细节
Functions F F F：技能、工作流、经验	映射 f ( x ) f(x) f(x)	非结构化	"在该航空公司网站上，付款前先确认座位图"	按当前任务的适用性匹配；过度具体、无法迁移、看似合理但已不可执行、缺少验证
Operators H H H：偏好、价值、风格	高阶映射 h : f ↦ f ′ h:f\mapsto f' h:f↦f′	非结构化	"即使更便宜，也不要订红眼航班"	按用户与场景作用域匹配；跨用户或跨场景过度泛化、算子冲突、隐性偏好未被获取

Table 2：Agent 记忆对象的计算分类。 常量、函数和算子不仅抽象层级不同，它们"检索正确"的含义和主要失效模式也不同。

五、记忆管理的三个过程

作者把基础操作归纳为 add、update、delete、search 和 use，并进一步组合成学习、遗忘和利用三个过程。

1. Learning：一次经历应该留下什么

学习包含新增、更新与抽象提升。一次任务轨迹可以先被记录成常量：发生了什么、尝试了什么、哪里失败了。多个相似经历重复出现后，系统可以把它们抽象为可复用函数；多个工作流中反复出现的修正，则可能进一步形成算子。

Episodes / Constants → generalization Functions → cross-task abstraction Operators \text{Episodes / Constants} \xrightarrow{\text{generalization}} \text{Functions} \xrightarrow{\text{cross-task abstraction}} \text{Operators} Episodes / Constantsgeneralization Functionscross-task abstraction Operators

作者把这个过程称为 Lifting（提升）。

例子如下：

常量：本次构建因 Node 版本不兼容失败；
函数：遇到此类构建错误时，先核对项目声明的 Node 版本；
算子：修改开发环境之前，优先做可逆检查并保留当前状态。

难点不是能否总结一句规则，而是何时应该抽象。如果仅凭一次偶然失败就产生全局算子，系统会把噪声永久放大。

2. Forgetting：遗忘不是简单删除旧数据

遗忘包括删除、衰减、合并与压缩。它至少有四种价值：

控制存储和检索成本；
减少相似记忆间的干扰；
清理过期或被替代的信息；
真正执行用户的删除请求。

一个合理的遗忘策略必须估计"尚未再次使用的记忆未来可能有多大价值"。目前系统常用新近性、频率、重要度或 LLM 判断做代理，但这些启发式并不等同于真实的未来边际收益。

3. Utilization：从找到记忆到真正使用记忆

利用包含两个阶段：

Agent State → Memory Query → Candidates → Context Construction → Behavior Change \text{Agent State} \rightarrow \text{Memory Query} \rightarrow \text{Candidates} \rightarrow \text{Context Construction} \rightarrow \text{Behavior Change} Agent State→Memory Query→Candidates→Context Construction→Behavior Change

第一阶段是搜索：Agent 必须根据当前内部状态自己构造查询，而不是等待人输入关键词。

第二阶段是使用：系统必须决定候选记忆的格式、顺序、粒度、来源标注以及冲突处理方式。检索正确但展示方式错误，仍可能使模型忽略或误用记忆。

这一点也是 AMM 相对普通 RAG 的关键扩展：RAG 往往把召回视为终点，而 AMM 把行为变化视为检索链路的一部分。

六、应用与优化闭环

1. 四类应用强调不同记忆能力

论文给出四类示例应用：

信息访问与综合：记住已经找到、判断和整理过的信息；
个人助手：维护一个长期、持续更新的用户模型；
程序性与环境交互任务：Coding、网页导航、Tool Use，保存可执行经验；
长周期协作：跨会话、跨参与者维护共享状态。

这也解释了为什么只用事实问答评测 Agent Memory 会产生偏差：事实召回只覆盖常量利用，不能衡量技能迁移、偏好作用域和协作状态维护。

2. Reward Modeling：反馈到底意味着什么

Agent 可以收到任务成功、用户纠正、工具报错、用户放弃交互等反馈。但一条反馈要先被解释，才能用于更新记忆。

例如，用户拒绝一次行程，可能意味着：

本次会话的时间安排不合适；
该用户长期不喜欢红眼航班；
某类用户普遍不喜欢这种方案；
当前规划算法在所有用户上都有缺陷。

如果把会话级信号误判为全局规律，系统就会造成过度泛化；如果把稳定偏好一直限制在单次会话，它又无法实现长期个性化。

3. Credit Assignment：结果应该归因给哪个记忆决策

一次长任务包含写入、保留、检索和使用等大量决策。最终失败可能来自：

错误信息被写入；
正确信息被过早遗忘；
查询没有召回所需记忆；
正确记忆进入上下文，却没有影响模型；
偏好的作用域设置错误；
Agent Backbone 本身能力不足。

因此，优化不能只让 LLM 在失败后"重写一遍总结"，而应把结果归因到具体环节，再决定修改记忆内容、存储结构还是检索策略。

七、现有记忆系统在框架中的位置

系统	C C C	F F F	H H H	学习	遗忘	利用	优化方式
RAG	●					●	无
MemGPT	●		○	●	○	●	启发式
Generative Agents	●	○	○	●	○	●	启发式
Reflexion	○	●		●		●	启发式
Voyager	○	●		●		●	启发式
Mem0	●		○	●	○	●	启发式
A-MEM	●	○		●	○	●	启发式
PlugMem	●	○		●	○	●	学习式

Table 3：代表性 Agent Memory 系统在 AMM 框架中的定位。 ● 表示核心支持，○ 表示部分支持。现有系统整体偏重常量、学习和利用，对函数、作用域明确的算子、原则化遗忘与学习式优化覆盖不足。

这张表不是实验对比，也不能用来得出某系统"更强"的结论。它表达的是研究覆盖范围。一个只处理常量的系统完全可能在事实问答上表现很好，但它不能自动获得技能迁移或偏好治理能力。

八、研究议程

1. 构建系统化评测协议

作者提出下一代 AMM Benchmark 的五项要求。

1.1 覆盖对象代数

常量、函数和算子应分别测试，也应测试它们的组合。回忆用户事实与把技能迁移到新网站不是同一种能力，不能只用一个总分掩盖差异。

1.2 测试全部三个过程

许多 Benchmark 给定预构建记忆库，只测试最后问答。新的评测还应测试：系统从原始经历中选择写入什么；遇到误导、过期和矛盾信息时如何更新；执行删除后是否真的不再使用相关内容。

1.3 提供反馈流

如果要评价系统能否持续改进，数据就不能完全静态。Benchmark 需要包含任务结果、用户纠正和延迟奖励构成的交互序列。

1.4 让作用域错误可检测

需要多用户、多会话设计，专门检测一个人的偏好是否泄漏到另一个人，以及局部规则是否被错误扩大。

1.5 同时报告 Backbone 和成本

结果至少应在两个 Backbone 上复现，并报告 Token、延迟和存储开销。否则，实验难以区分记忆框架本身的价值和基础模型能力，也无法判断质量提升是否值得其成本。

2. 建立 AMM 与经典 IR 问题的翻译表

经典 IR 问题	AMM 对应问题	关键开放问题
索引与索引维护	记忆组织与写入策略	什么结构既支持按适用性检索，又支持按作用域检索？
动态、时序集合	常量更新与版本管理	怎样判断事实是过期，而不是与旧事实矛盾？
相关性	对下一步动作的有用性	有用性依赖 Agent、任务和格式，能否在使用前预测？
查询理解	从 Agent 状态构造记忆查询	没有人输入查询时，"查询"是什么？何时应该检索？
相关反馈与点击模型	利用反馈与信用分配	Agent 读取行为的"点击模型"等价物是什么，怎样去偏？
个性化粒度	偏好或规则的作用域	修正应该作用在哪一级，怎样发现过度泛化？
多样性与冗余	去重、覆盖和冲突消解	两条记忆何时冲突、何时相互印证，谁优先？
查询性能预测	预测记忆何时有益或有害	Agent 能否提前知道检索会降低答案质量？
压缩与效率	预算约束下的遗忘	一条尚未被复用的记忆价值是多少？
用户模拟	用 Agent 行为模拟做评测	模拟 Agent 要多真实，记忆比较结论才稳定？
隐私与公平	删除、泄漏与记忆投毒	内容被抽象成技能后，"删除保证"还意味着什么？

Table 5：经典 IR 问题与 Agent Memory 问题的翻译表。 作者并不是声称传统方案可以原样复用，而是希望每个 AMM 开放问题都能连接到已有理论、方法和评测经验。

3. 三条可检验的记忆原则

作者明确把以下三条称为待验证的猜想，而不是已经成立的定律。

3.1 C1：Memory Utility Principle

记忆系统应按一条信息对未来任务奖励的预期边际贡献来决定保留与检索优先级，同时扣除存储、检索、上下文占用和干扰成本。

可以形式化理解为：

U ( m ) = E t ∼ T $R ( t ∣ M ) - R ( t ∣ M ∖ { m } )$ − C s t o r e ( m ) − C r e t r i e v e ( m ) − C c o n t e x t ( m ) − C i n t e r f e r e n c e ( m ) U(m)=\mathbb{E}{t\sim\mathcal{T}} \left $R(t\\mid M)-R(t\\mid M\\setminus\\{m\\})\\right$ -C{store}(m)-C_{retrieve}(m)-C_{context}(m)-C_{interference}(m) U(m)=Et∼T $R(t∣M)-R(t∣M∖{m})$ −Cstore(m)−Cretrieve(m)−Ccontext(m)−Cinterference(m)

这里的公式是根据作者文字定义做的解释性展开，不是论文给出的训练目标。它突出两个难点：未来任务分布未知，且多条记忆之间可能存在互补或冲突，边际贡献并不满足简单可加性。

3.2 C2：Abstraction Trade-off

从常量提升到函数，再从函数提升到算子，可以提高迁移性，却也增加错误应用风险。

Higher Abstraction ⇒ Higher Transfer Potential + Higher Misapplication Risk \text{Higher Abstraction} \Rightarrow \text{Higher Transfer Potential} + \text{Higher Misapplication Risk} Higher Abstraction⇒Higher Transfer Potential+Higher Misapplication Risk

因此不存在"越总结越好"。当任务高度重复时，抽象规则可能优于逐条保存；当任务分布异质性很高时，过度抽象可能损失关键上下文，反而不如保留原始经历。

3.3 C3：Minimal Scope

系统应在能够解释反馈的最窄作用域应用修正：

Session ≺ User ≺ Cohort ≺ Global \text{Session} \prec \text{User} \prec \text{Cohort} \prec \text{Global} Session≺User≺Cohort≺Global

只有获得重复、独立证据后才扩大作用域。这为解决个性化中的过度泛化提供了一个可测试原则。

4. 参数化与非参数化联合优化

Agent 可以通过两条路径从经验中改进：

参数化更新：修改模型权重；
非参数化更新：修改记忆文本、索引、关系与存储结构。

当前很多系统让 LLM 根据反馈重写自己的笔记，相当于使用 Textual Gradient。但这一过程是否收敛、是否单调提升、怎样区分有效更新与仅仅换一种说法，仍缺乏理论解释。

作者给出四个方向：

研究非参数更新在何种条件下收敛；
用反事实估计解决延迟、稀疏反馈下的信用分配；
研究什么信息应留在文本记忆、什么应固化到参数，以及怎样撤销；
不只优化内容，还优化记忆组织结构本身。

5. 把 Agent 当作一种新用户研究

传统 IR 通过查询日志、点击日志和眼动实验研究人。AMM 同样可以分析 Agent：

它什么时候发起记忆检索；
使用什么查询；
召回内容有多少最终没有被利用；
失败轨迹中哪些记忆操作异常；
内容的顺序、粒度、格式和出处怎样影响行为。

这可能催生 Agent 的信息需求分类、利用模型和上下文展示原则。与人类实验相比，Agent 可被大量重复运行和受控干预；但模型版本变化也会造成非平稳性，因此研究必须披露 Backbone，并尽可能跨模型验证。

九、论文是否有实验、消融、失败案例与效率结果

1. 没有主实验与消融实验

本文没有提出可运行的新模型，也没有数据集上的定量结果。因此不存在：

主结果排行榜；
与 Baseline 的显著性比较；
去除模块的消融；
超参数敏感性曲线；
推理延迟或存储占用实测。

这并不是论文遗漏了实验章节，而是由 Perspective Paper 的目标决定的。作者的证据主要来自：历史脉络、现有研究案例、概念对应关系和可检验研究假设。

2. 论文列出的典型反例与失效模式

虽然没有案例实验，论文仍指出了几个重要反例：

高分检索段落不含答案时可能降低 RAG 准确率，而随机文本在某些配置下反而带来提升，说明传统相关分数不等于模型利用价值；
Prompt Injection 表明被检索文本对 Agent 不只是"材料"，还可能成为恶意指令；
长上下文存在位置偏差，最佳内容排第一并不必然形成最有效的上下文排列；
强 Backbone 可补偿差记忆，弱 Backbone 会浪费好记忆，端到端成功率会混淆两者；
局部反馈被扩大为用户级或全局规则，会造成偏好泄漏和过度个性化；
内容被提升为技能或参数后，简单删除原始记录未必等于真正遗忘。

3. 效率只被提出为评价维度，尚未实证

论文强调质量必须与 Token、延迟和存储成本一起报告，并提出"写入频繁、个人化、反馈丰富的小型检索系统"这一 AMM 系统特征。但本文本身没有给出任何实测数字。

因此，不能把文中的原则写成已经被实验验证的结论。它们更适合作为后续系统设计和 Benchmark 构造的假设空间。

十、与 Agent Memory 系列工作的横向比较

方法	主要对象	核心问题	与本文关系
Mem0	常量为主，部分偏好	从对话抽取、更新并检索用户记忆	可被 AMM 解释为以 C C C 为中心、部分覆盖 H H H 的启发式系统
A-MEM	常量与部分经验关系	让记忆形成动态关联网络并持续演化	强化"组织结构"，但尚未明确区分内容、适用性与作用域三种检索语义
MAGMA	多图、多视角记忆结构	用多关系组织长期记忆	更关注结构化组织；本文提供更上层的对象与过程分类
CoM	组合记忆	让多条记忆协同支持推理	对应 C C C、 F F F、 H H H 组合时的交互，但本文还强调反馈作用域和利用模型
ReMemR1	可回访记忆	写入新记忆时主动检索旧记忆，减少局部写入的信息损失	改进 Learning/Update 过程；本文讨论的是整个 AMM 闭环
Mem²Evolve	演化式记忆	从反馈中持续改进记忆内容或策略	接近本文 Optimization；本文进一步区分奖励解释、信用分配及参数/非参数更新
本文 AMM	常量、函数、算子	给整个领域建立计算分类、评价观与研究议程	不提出具体实现，而是解释不同系统解决了框架中的哪一部分

这篇论文对既有系列最大的价值，是给我们提供了一个新的比较坐标系。过去常问"谁的检索分数更高"，现在可以继续问：

它存的是常量、函数还是算子？
检索是在做内容匹配、适用性判断还是作用域判断？
它实现了学习、遗忘和利用中的哪些环节？
它是否利用下游反馈，并能把反馈归因到具体决策？
删除与更新是否能穿透到抽象后的技能和规则？

十一、对 Coding Agent、Tool Agent 与 Multi-Agent 的启发

1. Coding Agent：不要把所有经验都存成文本片段

Coding Agent 的记忆天然包含三层对象：

常量：仓库结构、依赖版本、构建命令、当前 Bug 状态；
函数：排查测试失败、升级依赖、生成迁移脚本的工作流；
算子：最小改动、先测试后提交、不修改无关文件等工程规范。

如果把它们都放入同一个向量库，检索相似代码片段可能召回一个主题相关但环境不适用的旧修复。更合理的架构是为三类对象设计不同索引和验证器：事实检查时效，技能检查前置条件与可执行性，规则检查仓库、组织与用户作用域。

2. Tool Agent：技能检索应关注可执行条件

Tool Agent 不能只靠工具描述相似度选择流程。函数型记忆还需要：

工具版本与权限；
当前页面或环境状态；
前一步输出是否满足输入约束；
成功后的验证条件；
失败后的回滚路径。

因此，技能条目应包含 Applicability Contract，而不仅是一段自然语言总结。

3. Multi-Agent：必须把作用域变成一等公民

多 Agent 场景中，记忆可能属于：

单个 Agent 的私有经验；
一个角色的工作规范；
当前团队共享状态；
某位用户的长期偏好；
整个系统的全局规则。

如果作用域不显式编码，局部结论会在 Agent 间错误传播。本文的 Minimal Scope 原则可以直接转化为共享记忆治理策略：默认写入最窄范围，只有跨任务、跨 Agent 的独立证据积累后才升级作用域。

4. 一个可落地的 AMM 工程分层

可以把论文思想实现为以下模块：

M = ( C , F , H ) Q t = q ( s t , x t ) R t = retrieve ⁡ ( Q t , M , type , scope ) A t = agent ⁡ ( x t , R t ) M t + 1 = update ⁡ ( M t , A t , o t , f e e d b a c k t ) \begin{aligned} M &= (C,F,H) \\ Q_t &= q(s_t, x_t) \\ R_t &= \operatorname{retrieve}(Q_t, M, \text{type}, \text{scope}) \\ A_t &= \operatorname{agent}(x_t, R_t) \\ M_{t+1} &= \operatorname{update}(M_t, A_t, o_t, feedback_t) \end{aligned} MQtRtAtMt+1=(C,F,H)=q(st,xt)=retrieve(Qt,M,type,scope)=agent(xt,Rt)=update(Mt,At,ot,feedbackt)

其中，检索器不只接收 Query，还要接收对象类型和作用域；更新器不只生成摘要，还要决定更新哪一层、证据是否足以扩大作用域、旧条目是否应合并或失效。

十二、论文的局限性

1. 常量---函数---算子分类并非严格完备

真实记忆对象可能同时具有多种属性。一条"本项目必须使用 Java 17"的内容既是事实，也像一个约束算子；一段带参数的模板既可能是函数，也可能是结构化常量。论文给的是有用视角，而不是互斥、完备的形式系统。

2. 对 Operators 的边界仍然宽泛

偏好、价值观、风格和推理倾向都被放在 H H H 中，但它们的可修改性和治理要求差异很大。用户口味偏好可以从行为中推断，安全原则或法律约束却不应仅凭交互反馈随意更新。

3. "利用模型"仍停留在研究主张

作者提出类似点击模型的 Agent Utilization Model，但没有说明应观察哪些变量、怎样构造反事实标签，以及如何区分"记忆改变了表面措辞"和"记忆改善了任务决策"。

4. 三条原则缺少形式证明和实证验证

Memory Utility、Abstraction Trade-off 和 Minimal Scope 都很有启发，但目前是猜想。未来需要明确任务分布、成本函数、证据独立性和作用域层级，才能变成可优化的理论。

5. 对多模态、具身与多 Agent 记忆展开不足

文章主要以自然语言、对话和工具 Agent 为例。视觉经历、环境地图、控制策略以及多 Agent 间的记忆同步会带来不同的对象表示和一致性问题。

6. 安全与治理问题被指出，但尚未进入核心框架

论文提到记忆投毒、成员推断与删除保证，但 Figure 1 的核心闭环没有显式的权限、来源、信任度、审计和隔离层。对实际部署而言，这些并不是外围功能，而应当与对象、作用域和优化同时建模。

7. 论文版本本身仍需谨慎引用

当前可核验版本是 arXiv v1。PDF 中虽然使用 SIGIR 2027 模板，但 DOI、ISBN、地点等仍为占位内容。因此，笔记不应把它写成"SIGIR 2027 已录用论文"。

十三、我的理解与启发

1. Agent Memory 的核心问题不是存储，而是行为控制

如果记忆只是保存历史文本，那么它只是一个外部数据库。只有当记忆能够在正确场景下改变 Agent 的选择，它才成为 Agent 能力的一部分。

因此，更准确的研究对象不是：

Can the agent recall the memory? \text{Can the agent recall the memory?} Can the agent recall the memory?

而是：

Does the right memory cause the right behavioral change at acceptable cost? \text{Does the right memory cause the right behavioral change at acceptable cost?} Does the right memory cause the right behavioral change at acceptable cost?

这也是"use"被加入 IR 定义之后最重要的变化。

2. 统一向量库可能是早期 Agent Memory 最大的架构误区

向量相似度擅长找到主题相近内容，却不能天然回答技能是否可执行、规则是否适用于当前用户。论文的三类对象分类提示我们：未来记忆系统更可能是多个专用索引和验证器的组合，而不是一个越来越大的 Embedding Store。

3. 从 Episode 到 Skill 再到 Principle，需要证据门槛

"提升"是 Agent 自我改进的核心，也是过度泛化的来源。工程上可以为每次提升设置证据要求：

单次经历默认只形成带来源的 Episode；
多次同类成功才生成 Skill Candidate；
跨任务稳定成立才形成 Operator Candidate；
每次抽象保留出处、反例和撤销路径。

这比让 LLM 每轮自由重写长期记忆更容易审计，也更符合 Minimal Scope。

4. 删除必须沿抽象链传播

如果某条用户信息已经被总结进偏好、固化进技能甚至写入参数，删除原始记录并不等于遗忘。真正的删除机制需要维护 Provenance Graph：一条记忆由哪些经历支持，又派生出了哪些函数和算子。删除或纠错时，应沿依赖关系重新验证衍生对象。

5. Benchmark 应从"回答记忆问题"转向"干预行为"

长期对话问答仍然有价值，但它主要测试常量召回。更完整的 Benchmark 应构造：

正确事实与过期事实并存；
相似但不适用的技能作为困难负例；
不同用户拥有相反偏好；
删除请求之后继续设置诱导任务；
记忆对动作有帮助、无影响或有害的反事实对照。

这样才能测到状态质量、利用质量、结果与成本四层指标。

6. IR 的真正贡献可能是"可测量"，而不是再造一个 Retriever

Agent Memory 已经广泛使用向量检索。IR 社区更独特的价值，可能不在于再提供一个召回模型，而在于它长期积累的评测方法、行为偏差建模、反事实学习、动态索引、去偏和效率优化经验。

本文最有力量的地方，正是把讨论从"应该用哪种数据库"推向"什么叫有用、如何验证有用、如何知道系统因记忆而变好"。

十四、总结

《Agentic Memory Management Is the Next Frontier of Information Retrieval》没有提出一个新的 Agent Memory 产品或算法，而是为这个快速扩张的领域提供了一套研究坐标系。

它的核心贡献可以归纳为四点：

重新定位问题：Agent Memory 是 IR 从服务人转向服务 Agent、并进入 Agent 内部后的自然延伸；
提出计算对象分类：常量按内容匹配，函数按适用性匹配，算子按作用域匹配；
建立完整闭环：对象经过学习、遗忘和利用服务于任务，反馈再通过奖励解释和信用分配更新对象与过程；
重构评价方式：利用可观测性反转，把状态质量、利用质量、任务结果与成本组成分层评价体系。

它尚未用实验验证这些主张，也没有给出可直接运行的统一 AMM 实现。但作为 Perspective Paper，它清楚指出了下一阶段最值得研究的部分：对象级 Benchmark、记忆效用理论、抽象与作用域控制、参数化与非参数化联合优化、Agent 利用模型，以及真正可执行的删除与治理机制。

最后用一句话概括：这篇论文把 Agent Memory 从"给 LLM 接一个可检索数据库"，提升为"研究信息如何被 Agent 学习、遗忘、检索、使用并最终改变行为"的完整信息检索问题。

参考资料

Qingyao Ai. Agentic Memory Management Is the Next Frontier of Information Retrieval. arXiv:2610.32464, 2026.
Gerard Salton. Automatic Information Organization and Retrieval. 1968.
Charles L. A. Clarke et al. Novelty and diversity in information retrieval evaluation. 2008.
Patrick Lewis et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 2020.
Charles Packer et al. MemGPT: Towards LLMs as Operating Systems. 2023.
Joon Sung Park et al. Generative Agents: Interactive Simulacra of Human Behavior. 2023.
Noah Shinn et al. Reflexion: Language Agents with Verbal Reinforcement Learning. 2023.
Guanzhi Wang et al. Voyager: An Open-Ended Embodied Agent with Large Language Models. 2023.
Prateek Chhikara et al. Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory. 2025.
Wujiang Xu et al. A-MEM: Agentic Memory for LLM Agents. 2025.
Zeyuan Yang et al. PlugMem. 2026.
Nelson F. Liu et al. Lost in the Middle: How Language Models Use Long Contexts. 2024.
arXiv 页面：https://arxiv.org/abs/2610.32464