Agent 记忆架构设计 —— 参考来源汇总
本页汇总了 Agent 记忆机制相关的核心参考来源，按主题分类整理。
对应设计方案中的记忆层架构决策。
一、LLM Agent 记忆架构（核心设计来源）
关键引用备忘
| 引用内容 | 来源 |
|---|
| ”Context is a scarce resource.” | Letta, Context Constitution (Apr 2026) |
| “RAG pollutes the context with irrelevant information.” | Letta, Memory Blocks (May 2025) |
| “Long-term memory should be structured and curated, not just vector-retrieved text chunks.” | Letta, Stateful Agents (Feb 2025) |
| “Agents should have read/write tools for their own memory blocks.” | MemGPT paper (arXiv:2310.08560) |
| “Sleep-time compute: background agents can reflect on prior turns.” | Letta, Context Constitution |
二、Agent 记忆机制经典项目与论文
| # | 来源 | 作者/机构 | 日期 | 链接 | 与知识库已有内容的关联 |
|---|
| 9 | Generative Agents (Park et al.) | Stanford | 2023-04 | arXiv:2304.03442 | Autonomous-Agents 已引用；记忆流、反射循环、检索评分（recency/importance/relevance）是记忆检索算法的经典参考 |
| 10 | Voyager (Minecraft) | Wang et al., NVIDIA | 2023-05 | arXiv:2305.16291 | 技能库（Skill Library）设计；程序记忆与情景记忆分离的架构，与 DeerFlow 的 Skills System 设计思想同源 |
| 11 | Reflexion | Shinn et al. | 2023-03 | arXiv:2303.11366 | Autonomous-Agents 已引用；语言自我批判、情景记忆缓冲的实现参考 |
| 12 | Memory for Autonomous LLM Agents (Survey) | 多机构 | 2026 | 近期综述 | write-manage-read 记忆循环、五类记忆机制的分类框架；Agent 记忆领域的最新综述 |
三、未纳入整理的参考
以下参考与当前知识库已有内容的直接关联较弱，暂不入库：
| 来源 | 原因 |
|---|
| Cicero (Diplomacy AI), Meta AI | 游戏外交场景特定，当前 KB 聚焦 LLM Agent 工程而非游戏 AI |
| AlphaStar (StarCraft II), DeepMind | 游戏 AI 的 LSTM 隐藏状态设计，与当前 LLM Agent 记忆架构关联度低 |
| Richelieu (Diplomacy) | 同上，游戏特定场景 |
| sqlite-vec / SQLite-vec Hybrid Search / Vanna.ai | 当前知识库 20-RAG工程/ 和 50-后端/ 尚无向量搜索/RAG 实现相关内容，缺乏挂靠点 |
| OpenAI Function Calling Cookbook | 过于工具化，已在 核心概念 和 Autonomous-Agents 中通过其他方式覆盖 |
若后续在 20-RAG工程/ 或 50-后端/ 中补充了 SQLite 向量搜索、混合检索相关内容，可将 sqlite-vec 系列参考迁移至对应笔记。
四、与已有笔记的关联
- Autonomous-Agents —— 本文档第一类参考是对该文 Memory 章节的大量补充和更新（尤其是 Letta 系列文章对 2023 年综述的演进）
- 核心概念 —— LangGraph Persistence 参考直接对应 Checkpointer 和 Memory Store 的官方设计文档
- DeerFlow —— DeerFlow 的 MemoryMiddleware、Skills System 与 Letta Memory Blocks、Voyager Skill Library 是同一设计趋势的不同实现
- Deep-Agents —— Deep Agents 的 StoreBackend 长期记忆与 Letta 的 Stateful Agents 理念一致
五、待补充方向