A-MEM: Agentic Memory for LLM Agents

简单向量记忆把经历存成独立片段，难以表达新信息如何改变旧知识。长对话中的人物、计划和关系也会逐渐形成网络。A-MEM 研究如何在写入时构造结构化 Note，并动态建立链接和修订已有记忆，使后续检索能利用组织关系。

如果一次新对话同时提到旧朋友和新项目，单独存入一条记录会割裂相关信息。先检索旧 Note，再判断是否建立链接，就能把局部经历接入已有结构；新证据还可能补全旧 Note 的语境。问题随之转为如何控制错误链接和过度改写，这也是方法最需要验证的地方。

新的经历可以改变旧经历的解释，而不仅增加一条记录。A-MEM 将 memory 更新同时作用于链接与已有描述；编辑理解是，经验积累的价值取决于组织方式，memory 条目增长本身并不保证可用知识增长。

沿用多 Session 对话记忆场景作教学演示：旧 Note 记录 Alex 计划跑马拉松，新对话说 Alex 因膝伤改做游泳。系统生成内容、时间、Keywords、Tags、Context Description 和 Embedding，检索相关旧 Note，由 LLM 决定建立关系并更新语境。之后查询训练计划时，检索能接触到相互关联的信息。具体人物与事件为构造示例。

Note 可看作包含原始内容 c、时间 t、关键词 K、标签 G、语境 X、Embedding e 与链接 L 的记录。检索先按 Embedding 相似度缩小范围，再由语言判断决定关系。这里的图边表示系统推断的关联，并不是统计意义上已经证实的因果关系；生成 Note 的操作也没有保证事实无损的定理。

mᵢ = {cᵢ, tᵢ, Kᵢ, Gᵢ, Xᵢ, eᵢ, Lᵢ}
New interaction → Note → candidate neighbors → links / revisions

A-MEM 把 Memory 从静态仓库变成可修订的数据结构。评价时需要同时看答案、检索证据和记忆改动，否则无法知道收益来自真正组织改善还是更多上下文被提供给 Model。

最脆弱的假设是局部语义相关足以指导长期记忆修订。错误实体匹配或混淆时间，会让一次新写入污染多个旧 Note，并通过链接传播。

可持续变化的是 external memory 及其关系，foundation model 与更新 workflow 没有一起演化。memory 之间相似不代表因果或事实一致；若 model 错误重写旧描述，后续检索也可能继承错误，论文成绩不能排除此类长期风险。