A. Agent Memory:记忆系统要解决什么

维度 核心问题 典型路线 代表工作
记忆对象 保存事件、事实、规则、技能还是用户偏好? episodic / semantic / procedural / profile Generative Agents、Voyager An Open-Ended Embodied Agent with Large Language Models
表示与存储 平面文本、向量、层级、图或可执行程序? 外部存储、图记忆、技能库 MemGPT Towards LLMs as Operating Systems、HippoRAG Neurobiologically Inspired Long-Term Memory for Large Language Models、A-MEM Agentic Memory for LLM Agents
生命周期 何时写入、合并、更新、压缩、遗忘或删除? 规则、反思巩固、检索触发更新 MemoryBank Enhancing Large Language Models with Long-Term Memory、Mem0 Building Production-Ready AI Agents with Scalable Long-Term Memory
调用 哪些记忆对当前目标有用,怎样进入上下文? 相关性、重要性、近因、图传播、工具调用 Generative Agents、HippoRAG Neurobiologically Inspired Long-Term Memory for Large Language Models
质量与治理 记忆是否真实、可追溯、可纠正并遵守隐私? provenance、冲突解决、权限、过期和回滚 开放问题与判别实验

B. RSI:改进闭环改变什么

改进对象 反馈信号 持久化结果 代表工作/边界
当前输出 自反馈、外部评价 当前答案 Self-Refine Iterative Refinement with Self-Feedback:test-time 改良,不自动等于 RSI
后续策略 任务成败、环境奖励 语言经验/episodic memory Reflexion Language Agents with Verbal Reinforcement Learning、ExpeL LLM Agents Are Experiential Learners
可复用技能 执行结果、环境状态 程序技能库 Voyager An Open-Ended Embodied Agent with Large Language Models
agent 程序 benchmark / 测试套件 新版本或搜索 archive Darwin Godel Machine Open Ended Evolution of Self Improving Agents
科研工作流 实验产物、模拟/人工评审 新想法、代码与研究流程 The AI Scientist Towards Fully Automated Open Ended Scientific Discovery

C. 纵向评估轴

  1. 存储正确性:写入的事实是否来自可识别来源,冲突与更正是否保留。
  2. 检索有效性:召回是否支持当前任务,是否因上下文注入而干扰。
  3. 真实利用:移除或反事实替换记忆后,行为是否按预期变化。
  4. 泛化改进:新任务、分布变化和延迟后是否仍有提升。
  5. 效率与风险:质量增益是否值得 token、时延、存储和权限成本。

D. 相邻领域边界

  • RAG 提供知识访问,不必然有持续写入、个性化或跨轮学习。
  • 长上下文扩大可见输入,不必然有选择性记忆和遗忘。
  • Test-time compute 可提高单次解题表现,不必然将有效经验带入下一次任务。
  • Continual learning 通常涉及参数更新;Agent Memory 也可在不改权重时适应。
  • RSI 是关于系统如何产生、验证并保留改进的闭环概念,不能由“self-evolving”标签替代证据。