概念导读

现有 agent 记忆系统（mem0, MemoryBank）依赖预定义的存储结构和固定工作流，

1. 核心问题
2. 方法
3. Note Construction（笔记构建）
4. Link Generation（链接生成）
5. Memory Evolution（记忆进化）
6. 检索
7. 结果
8. 意义

A-Mem: Agentic Memory for LLM Agents

核心问题

现有 agent 记忆系统（mem0, MemoryBank）依赖预定义的存储结构和固定工作流， 无法自适应地组织记忆。Graph-based 方案虽有结构但 schema 固定，限制了跨任务的泛化能力。

方法

受 Zettelkasten 笔记法启发，实现自组织、自进化的记忆网络。

1. Note Construction（笔记构建）

每条记忆 $m_i$ 存储为结构化笔记：

$$m_i = {c_i, t_i, K_i, G_i, X_i, e_i, L_i}$$

• $c_i$: 原始交互内容
• $t_i$: 时间戳
• $K_i$: LLM 生成的关键词
• $G_i$: LLM 生成的分类标签
• $X_i$: LLM 生成的上下文描述（核心语义理解）
• $e_i$: 文本编码器生成的嵌入向量
• $L_i$: 关联记忆链接集合

LLM 通过 prompt $P_{s1}$ 自主提取 $K_i, G_i, X_i$，实现隐式知识提取。

2. Link Generation（链接生成）

新记忆加入时： 1. 用 embedding 相似度检索 top-k 最近邻 2. LLM 分析候选记忆间的共同属性，决定是否建立链接 3. 链接类比 Zettelkasten 的 "box" 概念——相关记忆形成互联网络 4. 一条记忆可同时属于多个 "box"

3. Memory Evolution（记忆进化）

新记忆链接到旧记忆时，触发旧记忆的进化更新：

$$m_j^* \leftarrow \text{LLM}(m_n \Vert \mathcal{M}{\text{near}}^n \setminus m_j \Vert m_j \Vert P{s3})$$

随着交互累积，记忆网络自发形成高阶模式和概念，类似人类学习过程。

4. 检索

用 query embedding 的 cosine 相似度检索 top-k，利用链接关系扩展相关记忆。

结果

在 locomo-benchmark 上（GPT-4o-mini）：

类别	MemGPT	A-Mem
Multi-hop RGE-2	10.58	10.61
Temporal RGE-2	4.76	21.39
Single-hop RGE-2	28.44	29.50
Adversarial RGE-2	36.62	42.62

在 6 个基础模型上均优于 LoCoMo, ReadAgent, MemoryBank, MemGPT 基线。

意义

• 自组织: 记忆结构不是预设的，而是从内容中涌现，解决了固定 schema 的泛化问题
• 记忆进化: 首次实现记忆的动态更新——新记忆触发旧记忆的上下文重写
• Zettelkasten 启发: 将知识管理领域的成熟方法引入 agent 记忆设计
• 局限: LLM 频繁调用（笔记构建+链接+进化），token 开销大； 在 simplemem 的对比中，A-Mem 平均 F1=32.58，token cost=2520，不如 SimpleMem (F1=43.24, cost=531)

Related

• agent-memory-system — 记忆系统总览
• mem0 — 增量记忆管线基线
• memgpt — 层次化记忆先驱
• simplemem — 高效语义压缩，更强性能
• d-mem — 双过程记忆架构