IAAR-Shanghai/Awesome-AI-Memory

Awesome AI Memory | LLM Memory | A curated knowledge base on AI memory for LLMs and agents, covering long-term memory, reasoning, retrieval, and memory-native system design. Awesome-AI-Memory 是一个集中式、持续更新的 AI 记忆知识库，系统性整理了与大模型记忆（LLM Memory）与智能体记忆（Agent Memory）相关的前沿研究、工程框架、系统设计、评测基准与真实应用实践。

它是什么 一个由社区策划的存储库，收集并整理了关于为大语言模型 (LLMs) 提供持久记忆的研究论文、开源项目和实践知识。该项目的存在是因为目前的 LLMs 依赖于有限的“上下文窗口”——即它们一次能看到的文本量——这从根本上使它们仅具备短期记忆，无法独立维持长对话、个性化或多阶段任务。

该存储库旨在成为一个不断发展的知识库，供研究人员和从业者构建能够长期记忆并持续改进的 AI 系统。（README: "仓库目标" — 目标部分）

内容概览

包含超过 1,270 篇研究论文的列表（README 徽章: "Papers 1271"），分为综述、方法/框架论文、数据集/基准测试论文以及模型/系统论文。
一个包含 111 个项目的开源项目部分（README 徽章: "Open Source Projects 111"）。
测试/基准测试部分 (📊 测试基准)、多媒体资源 (🎥 多媒体资源) 以及 "Adam 框架" 部分 (🧠 Adam 框架) — README 列出了章节标题，但未进一步描述其内容。
核心概念速查表，定义了记忆类型（短期、长期、情景、参数化等）和记忆操作（写入、检索、更新、删除、压缩）。
更新日志显示了定期更新 — 自 2025 年 12 月存储库首次发布以来，每次更新都会增加数十篇论文。
鼓励通过 SCREENING.md 中记录的筛选流程进行贡献（README 徽章: "PRs Welcome"）。

范围 — 包含与排除的内容 (README "项目范围" 部分)

重点关注 智能体记忆 和 语言模型的内部记忆机制 — 记忆必须是论文的核心研究问题，并在 LLM 或多模态 LLM 上进行研究。
包含：长期、情景、语义、共享和经验衍生的程序性记忆；LLM 中的存储、保留、寻址、召回和遗忘；直接针对这些机制的评估、安全研究和综述。
排除：纯视觉或底层机器人状态、硬件/KV-cache 效率、通用 RAG/长上下文/工具路由，以及仅声称可迁移到 LLM 的相关工作。
对于证据不足的论文，规则是标记为待后续审查，而不是草率地拒绝或接受 — 并明确说明已验证的内容（例如，不将摘要级别的检查呈现为全文检查）。

组织方式 (反映在 README 的结构和内容中) 论文按发表日期列出，并分为不同类别（综述；方法/框架；数据集/基准测试；模型/系统）。每个条目显示日期、标题、摘要要点和 arXiv 链接。README 中的分类法部分（目前已注释掉）将根据存储位置（参数化 vs. 外部）、时间范围（短期 vs. 长期）、内容类型（情景 vs. 语义 vs. 程序性）和系统架构（RAG、向量检索、符号-神经混合）等维度对记忆进行分类。

重要意义 README 将记忆系统定义为通过添加外部、持久、可控的记忆结构来解决 LLM 基础上下文窗口限制的方案 — 允许模型在会话间存储、检索、压缩和管理历史信息，从而在单个提示之外实现一致性和持续推理。