文章核心观点 - 智能体正经历从高效单任务执行向动态环境下持续自适应、能力演化与经验积累的范式转变，AI Memory作为核心基石赋能智能体保持行为一致性、理性决策与高效协作[1] - AI Memory的研究已分化为专注于底层计算机制的LLM Memory和专注于支撑自主行为功能流程的Agent Memory两条演进路径[1][5] - 开源项目OpenClaw展示的“长效记忆”能力引发了社区对AI持久记忆的热议，但这更多体现了Agent Memory在工程上的成功，而非LLM Memory的根本性突破[4][5] - AI Memory的核心价值不仅是解决技术瓶颈，更是推动AI系统从通用工具升级为以人为中心的自适应、协作智能体的变革性赋能工具[6] 01. OpenClaw 的「长效记忆」为何不代表「AI 拥有持久记忆」？ - 开源项目OpenClaw在2026年初病毒式流行，其GitHub星标数在2026年2月已突破19万颗，其核心竞争力被视为能够跨越数周乃至数月维持持久性记忆的“有手的Claude”[4][5] - 社区热议的核心在于OpenClaw展示的“长效记忆”能力是否代表“AI拥有持久记忆”的未来即将来临[5] - AI记忆问题被视为推动更高阶智能演进的核心瓶颈，改善AI记忆力的研究已成为LLM相关研究中最受关注的前沿方向之一[5] - 2025年涌现了多项改善AI Memory的探索，如Meta的“SMF”、谷歌的“Nested Learning”范式及HOPE模型、MIT的“BEYOND CONTEXT LIMITS”工作等[5] - 学术界对AI Memory的关注度不断提升，例如ICLR 2026专门设立了“MemAgents”研讨会，旨在为智能体构建支持单样本学习和长程一致性的底层记忆基底[5] - AI记忆问题已分化为两条演进路径：LLM Memory与Agent Memory[5] - LLM Memory构成了预测的底层计算机制，包括嵌入在预训练模型权重中的参数化记忆和通过上下文窗口管理的运行时记忆，其优先级在于有限窗口内保证即时生成的准确性，而非维持连贯的自主行为[5] - Agent Memory在LLM Memory基础上延伸为系统性支撑自主行为的功能流程，协调感知、规划、行动的循环过程，使系统能够拆解并执行复杂任务[6] - 在Agent或垂直Agent领域，记忆（Agent Memory）更多是一个可以通过场景拆解、针对性构建解决的工程问题，而非科学难题[6] - Agent Memory通过将数据组织为过程性、陈述性、元认知等不同格式，使系统能够从历史经验中学习，推动数据从静态记录向动态“经验”转变，实现反思和策略优化[6] - 相对于Agent Memory的繁荣，LLM Memory仍面临“稳定性-塑性困境”等挑战，即在通过微调注入新信息时，模型往往会丢失旧的、重要的知识[6] 02. AI Memory 的研究视角在如何变化？ - AI Memory的核心价值不止于缓解大语言模型的上下文窗口有限、交互无状态等技术瓶颈，更被视为推动人工智能系统从通用工具升级为具备自适应、协作能力的以人为中心智能体的变革性赋能工具[6] - 研究者开始从多样视角审视AI Memory，并对其理论依据、运作机理及边界进行深入探索与迭代[6] - 2025年4月，华为诺亚方舟实验室的“From Human Memory to AI Memory”从人类认知科学中的记忆理论出发，为理解LLM Agent的记忆机制提供了一个类比框架[7] 03. 近期工作在如何探索 LLM Memory 和 Agent Memory？ - 文章未提供该目录下的具体内容细节[3]