A-MEM: Agentic Memory for LLM Agents

一、研究背景与现存缺陷

现有大模型智能体外部记忆方案仅实现存储 + 向量检索基础功能，存在三点核心局限：

1. 存储结构静态固化，依赖人工预设存储字段、固定检索规则，无法随任务自主调整记忆组织形式；
2. 记忆相互独立孤立，仅做相似度匹配，不会自动建立记忆间关联关系，无法形成链式推理；
3. 记忆只读不更新，新增交互不会反向修正、优化旧记忆的表征，知识无法持续迭代深化。

本文借鉴Zettelkasten 卡片盒笔记法，提出自主驱动式记忆架构 A-MEM，让智能体自主完成记忆结构化、关联构建、动态迭代，摆脱固定存储范式约束。

二、整体框架四大核心模块

A-MEM完整架构图

 

1. Note Construction 原子记忆卡片构建

每一轮交互结束，自动生成标准化结构化记忆卡片，包含多层表征：

• 文本结构化字段：上下文描述、关键词、时间标签、实体属性；
• 稠密向量嵌入：用于跨记忆语义相似度匹配；
   
  所有记忆以独立原子卡片形式入库，不使用统一固定表格 Schema。

2. Link Generation 记忆关联自动生成

新增卡片入库时，自动检索全库历史记忆：

 

基于共享实体、语义相似度、任务属性，在两条记忆间建立双向关联链路；

 

同类记忆自动聚类形成局部知识子网，支撑多跳长时序推理。

3. Memory Evolution 记忆动态进化（核心创新）

新增记忆会主动触发存量历史记忆的表征更新：

1. 补充旧记忆缺失的上下文、修正过时描述；
2. 强化多条记忆间的共性高阶模式；
3. 动态调整关联链路权重，淘汰无效弱关联；
    
   实现新知识反向优化旧记忆，记忆网络持续自我完善。

4. Relative Memory Retrieval 关联感知检索

检索不做简单 Top-K 向量召回，优先调取存在强关联链路的相关记忆；

 

可沿记忆关联图做多跳回溯，适配跨会话长周期复杂任务推理。

三、完整运行流程

1. LLM 智能体完成一轮外部交互；
2. 模块 1 抽取交互信息，生成结构化原子记忆卡片；
3. 模块 2 检索存量记忆，自动建立跨记忆关联边；
4. 模块 3 执行记忆进化，更新所有相关历史记忆表征与链接；
5. 后续任务推理时，模块 4 基于关联网络检索上下文记忆辅助决策。

四、核心学术贡献

1. 提出 A-MEM 自主驱动记忆系统，无需人工预设存储操作，实现记忆自主结构化、建链、迭代；
2. 设计记忆进化机制，新增经验反向更新存量记忆，解决传统记忆静态固化问题；
3. 融合卡片盒知识管理思想构建记忆图网络，支持多跳长时序推理；
4. 在 6 类基座大模型、长对话 / 长任务基准验证，全面超越主流 SOTA 记忆基线。

五、实验设置与结果

数据集

长对话基准 DialSim、长时序任务基准 LoCoMo，覆盖多轮连续交互、跨天复杂规划任务。

基线对比

传统向量库记忆、图数据库静态记忆、分层短期 / 长期记忆、Mnemosyne 等认知启发记忆方案。

核心实验结论

1. 长时序任务完成准确率显著提升，多跳推理错误大幅减少；
2. 记忆检索冗余信息降低，同等上下文长度下有效信息密度更高；
3. 消融实验证明：自动建链 + 记忆进化两大模块均带来独立显著增益；
4. 轻量化模型搭配 A-MEM 也能实现强长周期推理能力，部署开销可控。

六、与你之前医疗记忆论文的区分

1. SkeMex：侧重技能经验提炼、效用打分、分层技能库，聚焦诊疗操作技巧复用；
2. 海马体渐进准入机制：侧重短期→长期记忆准入筛选，解决医疗幻觉污染；
3. A-MEM：侧重记忆自主建图、动态自我更新，通用型智能体底层记忆架构，无医疗场景专属约束，可作为医疗记忆系统的底层底座。

https://arxiv.org/abs/2502.12110