近年来，随着大型语言模型（LLM）的广泛应用，其记忆机制成为研究焦点。记忆是智能体实现持续交互和情境理解的关键，但目前仍存在根本性缺陷：记忆不可靠、易被重写，且缺乏有效的长时存储与检索手段。
- 近期主要进展包括：
- 动作世界模型中的记忆受控研究：论文《Echo-Memory》系统研究了动作世界模型中记忆机制的受控效果，通过回响机制强化关键经验，为动态环境下的记忆整合提供了新视角。(Echo-Memory：动作世界模型中记忆机制的受控研究)
- 记忆不可靠性的实证预警：多位研究者指出，LLM智能体的记忆存在“反复重写反而更糟”的现象，即使投入万亿资金，根本缺陷依然未解。这引发了对当前记忆方案可靠性的广泛质疑。(LLM智能体记忆不可靠：反复重写反而更糟)(LLM智能体记忆不可靠：万亿投资后仍存根本缺陷)
- 符号锚定与记忆腐蚀框架：《eMoT》提出通过符号锚定和记忆腐蚀机制来演化思维记忆，意图在抽象符号与连续表示间架桥，提升记忆的持久性与可控性。(eMoT：通过符号锚定和记忆腐蚀演化的思维记忆框架)
当前焦点在于：如何平衡记忆的灵活性与稳定性，避免“灾难性遗忘”和“虚假记忆”；以及如何设计可扩展的长期记忆结构，使智能体在复杂任务中保持连贯行为。未来观察点包括：符号与神经表示的结合、记忆压缩与检索效率、以及记忆可信度评估方法。