從儲存到體驗：LLM 代理記憶機制的演進

📄 arXiv: 2605.06716 👥 Jinghao Luo et al. (9 位作者) 📅 2026-05-07 📋 Survey
Agent Memory LLM Experience Learning Storage→Reflection→Experience
🎯 一句話結論：LLM 代理的記憶機制正經歷三個演化階段——儲存（Storage）→ 反思（Reflection）→ 體驗（Experience）——只有在「體驗」階段，代理才真正從歷史中「學習」而不僅僅是「回憶」。

📊 論文關鍵數據

指標內容
論文類型綜述（Survey）
涵蓋範圍200+ 篇論文，2022–2026
核心框架三階段演化：Storage → Reflection → Experience
記憶分類6 類：情節、語義、程序、工作、外部化、混合
發布日期2026 年 5 月 7 日

🔬 機制拆解：三個演化階段

階段一：儲存（Storage）— 2022–2023

代理將所有互動歷史以原始文本記錄。檢索依靠簡單的 embedding 相似度匹配。核心限制：缺乏選擇性——所有內容都被儲存，導致上下文窗口浪費和資訊雜訊。代表系統包括 Generative Agents（Park et al., 2023）和 MemGPT（Packer et al., 2023）。

階段二：反思（Reflection）— 2024–2025

代理不僅記錄，還會精煉歷史痕跡：摘要、綜合、建立事件之間的因果連結。引入了選擇性「遺忘」機制以管理記憶容量。關鍵進步：透過對自身歷史的二次推理，大幅提升記憶品質。代表系統包括 Reflexion（Shinn et al., 2024）、E-Mem（Wang et al., 2026）和 A-MEM。

階段三：體驗（Experience）— 2025–2026

這是質的飛躍：代理將歷史痕跡抽象化為結構化知識——形成可跨情境遷移的規則、原則和心智模型。核心突破：記憶不再是「資料庫查詢」，而是「經驗遷移」——能泛化到未見過的情境，而非僅僅模式匹配。代表系統包括 AgeMem（2026）、ENGRAM（Cheng et al., 2026）和 SYNAPSE。

📈 三階段對比

特性StorageReflectionExperience
處理方式原始記錄摘要 + 精煉抽象 + 泛化
記憶品質低（雜訊多）中（有篩選）高（結構化知識）
泛化能力無有限（相似情境）強（跨情境遷移）
典型系統MemGPTReflexion, A-MEMAgeMem, ENGRAM
Context Window 效率低中高

🏗️ 落地應用場景

  1. 個人 AI 助手：不僅記住用戶偏好，還抽象為行為模式（例如「用戶在壓力大時偏好簡潔回答」），主動調整互動風格。
  2. 程式開發代理：從修復的 bug 中抽象出編碼原則（「永遠在 async 函數中檢查 event loop 狀態」），在新專案中主動預防類似問題。
  3. 遊戲 AI：從多局對戰中抽象出戰略層級知識（「控制中央區域 → 側翼推進」），而非僅記憶特定棋步。
  4. 企業客服代理：從大量客戶互動中抽象出問題解決模式，面對新問題時自動調用相似結構的解決方案。
💡 實務洞見：當前主流的代理框架（LangChain、CrewAI、AutoGPT）大多仍停留在 Storage 階段或 Storage→Reflection 的過渡期。要讓代理在長期部署中持續進化，關鍵投資方向是 Experience 層——建立能將原始互動自動轉化為可泛化知識的記憶架構。這將是下一代 AI 代理的核心競爭壁壘。