新智元報道

編輯：LRST

【新智元導(dǎo)讀】現(xiàn)在的AI agent往往把長交互歷史直接存起來，但很難高效復(fù)用。最樸素的方法直接從「原始記憶」里檢索，但常常把模型淹沒在冗長、低價值的上下文里。PlugMem把經(jīng)驗轉(zhuǎn)化為結(jié)構(gòu)化、可復(fù)用的知識，并提出一個任務(wù)無關(guān)（task-agnostic）的統(tǒng)一記憶模塊，在多種Agent基準(zhǔn)上提升性能，同時消耗更少。

隨著AI agent承擔(dān)越來越復(fù)雜的任務(wù)——長對話、多步推理、交互式網(wǎng)頁導(dǎo)航等——它們必須記住并復(fù)用過去的經(jīng)驗。

但多數(shù)現(xiàn)有記憶系統(tǒng)更像「日志文件」：不斷累積原始交互軌跡，需要時再從中取出一些文本片段。時間一長，記憶會無限增長、噪聲增多，并迅速擠占agent的上下文窗口。

于是出現(xiàn)一個悖論：AI agent擁有前所未有的「記憶量」，卻依然難以有效使用。然而，對決策真正重要的內(nèi)容，往往不是完整的交互記錄，而是從記錄中沉淀出的知識。

比如做商品推薦時，agent需要記住用戶偏好，而不是反復(fù)閱讀長對話；在新網(wǎng)站購物時，agent需要的是「如何搜索、篩選、下單」的通用策略，而不是重放自己看過的每一個頁面。

AI agent記憶問題的核心挑戰(zhàn)并非「存更多」，而是以能突出決策相關(guān)信息的方式組織記憶。

UIUC、清華大學(xué)最新提出的AI agent的記憶方法PlugMem：一個任務(wù)無關(guān)、即插即用的記憶模塊，用來把智能體的原始經(jīng)驗轉(zhuǎn)化為可復(fù)用知識。PlugMem不把記憶當(dāng)作扁平文本來檢索，而是借鑒認知科學(xué)，將經(jīng)驗結(jié)構(gòu)化為以知識為中心的表示。

論文鏈接：https://arxiv.org/abs/2603.03296

代碼鏈接：https://github.com/TIMAN-group/PlugMem

認知科學(xué)通常區(qū)分三類記憶：對事件的回憶、對事實的知識、以及對技能/策略的掌握。事件提供背景，但有效決策依賴從事件中抽象出的事實與技能。這一視角啟發(fā)我們重新思考 AI agent 的記憶設(shè)計。

PlugMem將對話、文檔、網(wǎng)頁軌跡等異構(gòu)交互記錄，轉(zhuǎn)化為結(jié)構(gòu)化的知識單元：更緊湊、更可復(fù)用，并且與決策直接對齊。

PlugMem包含三個核心組件：

1. Structuring（結(jié)構(gòu)化） 將原始情景經(jīng)驗標(biāo)準(zhǔn)化，并提取為兩類知識：命題式知識（facts）與處方式知識（skills、可復(fù)用技能/策略）。這些知識單元被組織為結(jié)構(gòu)化的記憶圖。

2. Retrieval（檢索） 不再檢索冗長文本塊，而是檢索與當(dāng)前任務(wù)語義對齊的知識單元。高層概念與意圖（concepts / intents）作為「路由信號」，幫助快速定位最相關(guān)的內(nèi)容。

3. Reasoning（推理/壓縮） 把檢索到的知識進一步壓縮為簡潔、可直接用于當(dāng)前任務(wù)的指引，再交給AI agent使用，從而更高效地利用上下文。

PlugMem將異構(gòu)智能體經(jīng)驗組織為知識中心的記憶圖，實現(xiàn)結(jié)構(gòu)化檢索與推理。

PlugMem與傳統(tǒng)GraphRAG系統(tǒng)的關(guān)鍵差別在于「記憶訪問單元」。傳統(tǒng)方法通常索引文本chunk或?qū)嶓w；PlugMem以知識單元（命題與處方）作為基本構(gòu)件。這樣的設(shè)計減少冗余、提升信息密度，并提高檢索精度。

一個能跨任務(wù)遷移的記憶模塊

很多記憶系統(tǒng)往往為特定基準(zhǔn)精心定制：例如對話記憶、知識密集問答、網(wǎng)頁智能體等。這類任務(wù)特定記憶模塊在單一場景里可能表現(xiàn)很好，但換任務(wù)往往要重新設(shè)計。

PlugMem選擇了另一種方法：作為一個即插即用的通用記憶骨架，可以直接接到不同AI agent上，無需針對任務(wù)做專門修改。文中用同一個模塊、保持實現(xiàn)不變，在三個異構(gòu)基準(zhǔn)上評測：長程對話式問答、基于維基百科的多跳知識檢索、交互式網(wǎng)頁決策任務(wù)。

結(jié)果顯示：PlugMem在三種設(shè)置下都穩(wěn)定提升了任務(wù)表現(xiàn)，超過了通用檢索方法與多種任務(wù)特定記憶設(shè)計。更重要的是，這些提升是在向AI agent上下文注入顯著更少記憶智元（token）的前提下實現(xiàn)的。

用「效用」衡量記憶

而不是用「大小」

只看任務(wù)準(zhǔn)確率并不能反映記憶系統(tǒng)的關(guān)鍵能力：記憶模塊必須在「決策效用」和「上下文成本」之間權(quán)衡。

因此PlugMem工作中提出一個信息論指標(biāo)，用來度量記憶系統(tǒng)每消耗一個智元（token），能帶來多少「決策相關(guān)的信息增益」。直觀地說：記憶模塊產(chǎn)生的記憶智元（token）能讓AI agent對正確行動更有把握多少？接著再按記憶長度做歸一化。

在效用–成本空間里，PlugMem穩(wěn)定處于更有優(yōu)勢的位置：更低智元（token）成本下獲得更高的決策效用。

在多種基準(zhǔn)上，PlugMem在更小的記憶預(yù)算下提供更高的決策相關(guān)效用。

這些結(jié)果支持一個結(jié)論：把經(jīng)驗轉(zhuǎn)化為知識，比直接檢索原始日志更緊湊、更有信息量。

超過任務(wù)特定設(shè)計

乍看之下，一個任務(wù)無關(guān)的記憶模塊能超過為某個基準(zhǔn)量身定制的方法似乎有些反直覺。PlugMem的結(jié)果表明，決定性因素往往不是特定benchmark的啟發(fā)式技巧，而是對「決策相關(guān)知識抽取」的有效檢索。

沒有檢索，記憶只是靜態(tài)存儲；沒有結(jié)構(gòu)化知識，檢索就缺乏精度。PlugMem將以下三件事拆開并協(xié)同：結(jié)構(gòu)化決定「可被檢索的內(nèi)容是什么」，檢索決定「記憶是否真的能幫助決策」，推理/壓縮確保「以更低成本被AI智能體利用」。

PlugMem也不試圖取代任務(wù)特定技巧。它更像一個通用記憶底座，上層依然可以疊加任務(wù)適配。實驗也顯示：在PlugMem之上再加入任務(wù)特定啟發(fā)式探索方法，往往還能進一步提升效果，二者具有互補性。

走向智能體的「可復(fù)用知識基礎(chǔ)設(shè)施」

當(dāng)AI agent邁向更長程的自主能力，記憶需要從被動存儲走向成為主動的知識基礎(chǔ)設(shè)施：agents應(yīng)當(dāng)積累可遷移的事實與策略，讓知識跨任務(wù)、跨環(huán)境復(fù)用，緩解AI agents冷啟動問題，并支持更強的泛化。

PlugMem是朝這個方向邁出的一步。它以認知科學(xué)為設(shè)計啟發(fā)，將「知識」作為復(fù)用的基本單位，展示了任務(wù)無關(guān)記憶在效率與能力上同時可行。

更廣義地看，這項工作提示了一個視角轉(zhuǎn)變：與其追求檢索更多上下文，不如追求把經(jīng)驗表示成天然可復(fù)用的形式。隨著智能體能力擴展，可擴展、可遷移的記憶系統(tǒng)將成為基礎(chǔ)設(shè)施；知識中心的記憶很可能是下一代智能體的重要基石。

參考資料：

https://arxiv.org/abs/2603.03296