Agent记忆
先明确记忆要解决什么问题，再选择存储和更新机制。这条路线从分类综述出发，分别阅读可训练管理、结构化经验和运行时更新，最后检查幻觉及过期指令的维护成本。
从你的问题开始
上下文装不下，长期经验又不能丢
先读综述，再读AgeMem，区分工作上下文和长期记忆的操作。
比较时看：记忆管理策略是否需要训练；写入、检索和删除的成本分别如何。
检索内容相关，但对完成任务没帮助
对照可训练图记忆和MemRL，比较结构关系与经验效用。
比较时看：图结构如何更新；效用信号从哪里来；失败经验是否被重复放大。
记忆越来越多，正确性却越来越难维护
结合HaluMem的错误分解和CLAUDE.md的指令维护研究。
比较时看：区分事实记忆、执行经验和规则指令，分别设计评测与清理条件。
建议阅读顺序
按理解问题的顺序精选，非时间排名。下方日期为原文发表日期；不同论文的分数不作直接横比。
-
01 · 建立分类
Memory in the Age of AI Agents：记忆综述
先按形式、功能和动态过程整理记忆设计，避免把所有Agent记忆都等同于一次向量检索。
阅读边界：综述提供分类坐标，不是一个可以直接部署或统一排名的实现。
-
02 · 管理操作
AgeMem：统一长短期记忆管理
观察它如何把长期存储和短期上下文管理变成Agent可以选择的工具操作，以及这些操作如何训练。
阅读边界：工具接口、训练策略和底座模型都会影响结果，不能只复制存储格式。
-
03 · 组织经验
Trainable Graph Memory：从经验到策略
关注经验图的层次结构、图权重优化及记忆如何参与后续策略，而不是只比较文本片段是否相似。
阅读边界：图的构建和维护增加工程成本，需要和简单检索在相同任务上比较。
-
04 · 运行时更新
MemRL：按效用检索情景记忆
阅读意图、经验、效用三元组和两阶段检索，区分语义相关性与帮助任务成功的程度。
阅读边界：运行时效用更新不同于微调模型权重；效果仍取决于反馈信号和任务分布。
-
05 · 验证正确性
HaluMem：定位记忆系统幻觉
把记忆系统的错误拆开检查，关注错误在哪一步产生、如何随后续交互传播。
阅读边界：问答表现不能单独证明记忆内容正确，也不能替代隐私和权限检查。
-
06 · 维护和删除
CLAUDE.md：指令为什么只增不减？
从规则文件的增长理解过期指令的维护问题，阅读Prompt Comments如何保留指令背后的理由。
阅读边界：这里讨论规则指令的生命周期，不应直接套用为所有事实记忆的删除策略。