摘要—在处理长程复杂任务（如多轮对话、博弈、科学发现）时，记忆机制已成为基于大语言模型（LLM）的智能体之核心模块。记忆赋予了智能体知识积累、迭代推理及自我演化的能力。在众多的研究范式中，图结构凭借其在建模关系依赖、组织层级信息以及支持高效检索方面的固有优势，成为智能体记忆的一种强有力载体。 本文从基于图的角度对智能体记忆进行了全面综述。首先，我们提出了智能体记忆的分类体系，包括短期记忆与长期记忆、知识记忆与经验记忆、非结构化记忆与结构化记忆，并提供了基于图记忆的实现视角。其次，我们根据智能体记忆的生命周期，系统地分析了基于图的智能体记忆关键技术，涵盖了将数据转换为内容的记忆提取、高效组织数据的存储、检索相关内容以支持推理的检索，以及更新记忆内容的演化。第三，我们总结了支持自我演化智能体记忆开发与评估的开源库及基准测试。此外，我们还探讨了多样化的应用场景。最后，本文识别了当前面临的关键挑战并指明了未来的研究方向。本综述旨在提供具有实践价值的见解，以推动更高效、更可靠的基于图的智能体记忆系统的发展。 相关资源（包括研究论文、开源数据及项目）已汇总至社区：https://github.com/DEEP-PolyU/Awesome-GraphMemory。

索引词—智能体，多智能体系统，智能体记忆，知识图谱，自我演化，基于图的记忆

I. 引言

过去几年见证了基于大语言模型（LLM）智能体的飞速发展。这些智能体在从软件工程 [1]、数学推理 [2] 到多智能体任务 [3] 及开放世界探索 [4] 等多个领域的复杂长程任务中取得了显著成功。LLM 固有的语言理解、生成与推理能力，使得基于 LLM 的智能体能够自主感知环境并做出决策，从而减少了人工干预并重塑了智能系统的范式 [5]。 尽管取得了显著进展，基于 LLM 的智能体仍受限于 LLM 的内在局限性：(i) 知识截断： LLM 在具有固定时间边界的静态数据集上进行训练，导致其存在知识截断问题，无法整合实时信息（如当前金融数据）或预训练语料库之外的特定领域知识。这一局限性削弱了它们适应动态环境和开放式场景的能力。(ii) 工具能力不足： 尽管工具使用是基于 LLM 智能体的核心能力 [6], [7]，但现有的 LLM 在高效学习和应用新工具方面表现有限，这极大限制了智能体的性能。(iii) 性能饱和： 由于无法积累任务特定的见解并利用历史经验在长期的交互中改进决策策略，基于 LLM 的智能体在迭代式长程任务中表现出持续性的失败。因此，智能体可能会反复犯同样的错误，而无法表现出通过纠错来成功完成任务的学习行为。 为了应对这些挑战，“记忆” [8] 已成为推动 LLM 智能体实现四个关键目标的核心组件：i) 个性化与专门化 [9]： 记忆使智能体能够捕获用户偏好、交互历史和特定任务上下文，从而提供定制化响应，例如记住软件工程中的工作流习惯或对话场景中的沟通风格。记忆架起了通用知识与特定上下文之间的桥梁，通过存储普适事实与特定历史，使响应基于个性化且具备上下文感知能力的信息 [10]。ii) 超越上下文窗口的长程推理： 虽然 LLM 在有限的上下文窗口和静态参数化知识内运行，但记忆系统提供了无限的外部存储，支持持续学习与自适应。记忆允许智能体跨越较长的时间跨度保留信息，积累部署后的经验（包括成功与失败），并在不重新训练模型的情况下动态优化策略。iii) 自我提升 [11]： 通过积累经验知识、推理模式和反馈，智能体记忆支持适应性和性能的迭代增强，从而实现基于 LLM 的智能体在不更新参数的情况下在任务中自我提升。iv) 幻觉缓解 [12]： 将输出锚定在结构化、可验证的记忆内容中，可以减少对可能不可靠的参数化知识的依赖。本质上，记忆将“无状态”的反应式模型转变为了“有状态”的自适应实体，使其具备构建关系、基于轨迹学习以及实现日益复杂的个性化行为的能力。 传统的智能体记忆实现主要采用线性、非结构化或简单的键值对存储范式，例如固定长度的 Token 序列、向量数据库和基于日志的缓冲区 [13], [14]。虽然这些框架支持基本的信息存储与检索，但智能体记忆需要更复杂的功能，如关系建模、层级组织和因果依赖。基于图的智能体记忆 [15], [16] 已成为 2025–2026 年的研究前沿，它正从事实的被动“日志”转变为经验的结构化拓扑模型，保留了信息随时间演进的连接方式。与传统的线性或非结构化记忆不同，基于图的记忆利用其在建模实体关系、捕获层级语义以及支持灵活遍历与推理方面的固有能力，能够自然地编码记忆元素之间的关系依赖。即使是平铺式记忆（Plain memory）也可以被视为一种具有平凡（Trivial）关系的退化图，这使得基于图的智能体记忆成为了智能体记忆设计的通用且灵活的框架。近期，针对 LLM 智能体的图结构记忆架构研究激增，包括知识图谱（KG）、时序图、超图、层级树/图以及混合图 [17], [18]，这些研究在层级任务规划、多轮对话理解及神经符号推理等多样化场景中证明了其有效性。 因此，我们提出了一项全面的综述，旨在整合基于图的智能体记忆的最前沿进展，对其核心技术进行分类，综合其应用，并识别开放性挑战。我们的贡献主要包括四个方面： * 我们提出了智能体记忆的分类体系，包括短期与长期记忆、知识与经验记忆、非结构化与结构化记忆，并提供了基于图记忆的实现视角（第三节）。 * 我们系统地分析了关键的记忆管理技术，涵盖记忆提取（第四节）、记忆存储（第五节）、记忆检索（第六节）和记忆演化（第七节）。 * 我们总结了支持在不同应用场景下开发和评估自我演化图结构智能体记忆的开源库和基准测试（第八、九节）。 * 我们识别了关键挑战并概述了未来的研究方向，以推动高效、可靠的基于图的智能体记忆系统的发展（第十节）。

本综述旨在提供基于图的智能体记忆的全景概览，为研究人员改进记忆设计提供价值见解，并使从业者能够针对特定应用选择合适的结构和技术。