10月21日下午CNCC2026“智能体记忆：理论、系统与应用”Tutorial在成都举行。研习班聚焦智能体记忆这一方向，围绕基础理论、用户个性化、多模态应用与自进化机制介绍智能体记忆的技术体系与研究进展，为理解和构建具备长期记忆能力的智能体提供完整视角。
2026年10月21日下午，CNCC2026“智能体记忆：理论、系统与应用”Tutorial（讲习班）在成都举行。本次研习班由合肥工业大学吴乐教授、中国人民大学陈旭副教授、浙江大学张宁豫副教授、合肥工业大学侯旻老师组织，聚焦智能体记忆这一人工智能前沿方向，围绕基础理论、用户个性化、多模态应用与自进化机制四个层面，系统介绍智能体记忆的技术体系与研究进展，为理解和构建具备长期记忆能力的智能体提供了从理论到应用的完整视角。
随着大模型逐步应用于长期交互与复杂任务，如何积累经验、理解用户，并在环境变化中持续更新知识，成为智能体研究的重要问题。本次Tutorial以此为主线，通过理论讲解、方法解析与案例展示，讨论记忆如何参与智能体的感知、推理和决策，以及记忆系统在效率、可靠性与持续学习方面面临的挑战。
CNCC2026智能体记忆Tutorial现场
首先带来“智能体记忆背景：参数与非参数”专题讲授，为整场研习班建立理论框架。
报告从认知科学中的工作记忆、长期记忆与记忆巩固机制切入，介绍记忆在智能体持续学习和长期任务执行中的基础作用。讲者梳理了非参数记忆与参数记忆两类技术路线：前者通过外部存储、检索和上下文管理保留信息，后者则探索将新知识与经验融入模型参数，使其持续影响后续行为。报告结合代表性方法，分析了信息冗余、上下文管理与推理成本等实际问题。
在此基础上，报告进一步聚焦“如何将经历转化为可持续使用的经验”。以Cortex为例，讲者介绍了将上下文信息巩固为模型参数记忆的技术思路，围绕“沉淀什么、沉淀到哪里、如何沉淀”展开分析，并讨论新知识学习与原有能力保持之间的平衡。这一部分将记忆研究从信息保存延伸到经验内化，为后续专题提供了清晰的概念基础。
智能体记忆的理论基础
第二部分聚焦“面向用户个性化建模的记忆机制”。
个性化服务需要智能体在长期交互中理解用户，并随着兴趣和需求的变化持续调整。围绕这一目标，讲者从对话记录以及点击、购买、评分等行为中的隐含偏好出发，介绍如何将分散的交互信息组织为能够持续更新的用户记忆。报告沿着记忆构建、管理与使用的过程，讲解细粒度偏好表示、协同记忆建模、高效存储及跨域迁移等方法，呈现用户记忆从形成到发挥作用的完整流程。
在记忆检索与使用环节，报告重点讨论了语义相关性与实际任务价值之间的区别：与当前问题相似的历史信息，未必能够改善回答；多条记忆组合使用时，也可能产生冗余或干扰。因此，记忆系统需要根据下游任务的实际效果，学习选择、组合和使用信息。结合个性化推荐与文本生成等任务，这一部分展示了智能体如何从单次响应逐步走向跨会话、跨场景的持续服务。
“面向用户个性化建模的记忆机制”专题讲授现场
第三部分围绕“多模态记忆技术与应用”展开讲授，将讨论从文本交互拓展到真实世界中的连续感知。
从移动设备到智能眼镜，智能体需要处理的信息包含文字、图像、声音与交互轨迹。如何在不同模态、不同时间和不同应用之间建立联系，是多模态记忆的重要挑战。报告系统梳理了多模态对话、文档、轨迹与视频记忆等研究方向，并结合MobileMem，分析移动端长期使用场景中的信息碎片化、设备资源限制与个人经历建模问题。
在视频记忆方面，报告介绍了以事件为中心的信息组织方式，通过关联人物、物体、时间与事件内容，让智能体能够检索历史经历，并将回答追溯到具体证据。随后，讲者结合LightMem-Ego系统，展示多模态记忆在物品查找、谈话回顾和生活记录等场景中的应用，并介绍通过分层记忆与异步处理兼顾实时响应和长期积累的设计思路。具体案例进一步呈现了多模态记忆在日常辅助与持续交互中的应用价值。
多模态记忆技术与应用
第四部分以“记忆与自进化前沿”为题，进一步探讨智能体长期运行中的可靠性与持续学习问题。
报告首先从一个关键问题展开：记忆是否必然带来更好的决策？偶然经历可能被固化为错误信念，过时信息也可能持续干扰后续判断。围绕这些问题，讲者分析了记忆形成、更新与遗忘过程中面临的挑战，讨论智能体如何在积累经验的同时，保持判断的可靠性和对新证据的响应能力。
针对记忆错误来源分散、潜伏时间长、传播过程难以追踪等问题，报告介绍了MemTrace通过结构化执行图追踪记忆写入、更新和检索过程的思路，将系统分析从结果评估进一步推进到错误定位与根因诊断。随后，报告从模型内部的知识表示出发，讨论可解释特征、知识回路与知识编辑之间的联系，展望记忆由外部存储进一步融入模型内部认知机制的可能路径，为理解持续学习与自我改进提供研究线索。
从参数与非参数记忆的基本原理，到面向用户的个性化建模，再到多模态感知与可靠自进化，本次Tutorial围绕智能体记忆建立了层层递进的知识体系。四个专题共同指向一个核心问题：如何让智能体将长期交互中积累的信息转化为能够指导行动、接受检验并持续更新的经验。
本次研习班为关注大模型与智能体的研究者和开发者提供了系统的技术参考，也呈现了记忆研究从方法设计走向实际应用时需要解决的关键问题。随着智能体进入更长周期、更复杂的人机协作场景，记忆的有效组织、准确调用与可靠演化，可能是连接模型能力和持续服务能力的重要基础。
点击“阅读原文”，加入CCF。