IAAR-Shanghai/Awesome-AI-Memory

★ 1,224⑂ 0

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.

Open on GitHub ↗

About IAAR-Shanghai/Awesome-AI-Memory

IAAR-Shanghai/Awesome-AI-Memory is an open-source project on GitHub, mainly written in Python. Awesome AI Memory | LLM Memory | A curated knowledge base on AI memory for LLMs and agents, covering long-term memory, reasoning, retrieval It currently holds 1,224 stars and 0 forks with 0 open issues, and was last pushed on an unknown date (repository created unknown).

Project Overview

AI Homed tracks it on the AI Agent Memory board.

GitHub Repository Details

Repository IAAR-Shanghai/Awesome-AI-Memory · default branch - · size 0 KB · watchers 0 · source: GitHub REST API and repository README

README

Awesome-AI-Memory

【中文 | English】

https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Survey Framework

Awesome License: MIT Papers Open Source Projects

👋 简介

大语言模型（LLM）已迅速发展为强大的通用推理与生成引擎。然而，尽管其能力不断提升，LLM 仍然受到一个根本性限制的约束：上下文窗口（Context Window）长度有限。这一限制决定了模型在单次推理过程中能够直接访问的信息范围，使其在本质上仅具备短期记忆能力，难以支持长期对话、个性化交互、持续学习以及复杂的多阶段任务。

为突破上下文窗口的固有限制，面向大模型的记忆与记忆系统（AI Memory & Memory Systems for LLMs）逐渐成为一个重要且活跃的研究与工程方向。通过为模型引入参数之外的外部、可持久化且可控的记忆结构，记忆系统使大模型能够在生成过程中存储、检索、压缩和管理历史信息，从而在有限上下文中持续利用长期经验，实现跨会话的一致性与连续推理能力。

Awesome-AI-Memory 是一个围绕 AI 大模型记忆与记忆系统构建的资源汇编仓库，系统性地收集相关的研究论文、框架工具与实践经验。该仓库致力于梳理并呈现大模型记忆领域快速发展的研究脉络，连接自然语言处理、信息检索、智能体系统与认知科学等多个研究方向。

---

🎯 仓库目标

本仓库的目标是构建一个集中、持续演进的知识库，为研究者与工程实践者提供参考，助力构建能够长期记忆、持续推理并随时间不断适应的智能系统。

---

📏 项目范围

本仓库关注的是用于扩展或补充大模型上下文窗口能力的记忆机制与系统设计，而非单纯的模型预训练或通用知识学习。内容同时涵盖理论研究与工程实践。

🌀 包含内容（In Scope）

🌀 不包含内容（Out of Scope） ---

🔔 近期热点研究与新闻

+ 2026-09-20 - 🎉 更新 25 篇论文，其中方法类与框架类论文 17 篇，数据集和评估基准类论文 4 篇，模型和系统类论文 4 篇 + 2026-09-15 - 🎉 更新 250 篇论文，其中综述 3 篇，方法类与框架类论文 180 篇，数据集和评估基准类论文 32 篇，模型和系统类论文 35 篇 + 2026-09-15 - 🎉 更新 1 篇论文，其中方法类与框架类论文 1 篇 + 2026-07-06 - 🎉 更新25篇论文，数据集和评估基准类5篇，方法类与框架类23篇 + 2026-06-21 - 🎉 更新27篇论文，模型和系统类9篇，数据集和评估基准类5篇，方法类与框架类13篇 + 2026-06-14 - 🎉 更新24篇论文，综述类2篇，模型和系统类4篇，数据集和评估基准类2篇，方法类与框架类16篇 + 2026-06-06 - 🎉 更新45篇论文，综述类1篇，模型和系统类6篇，数据集和评估基准类12篇，方法类与框架类26篇 + 2026-05-10 - 🎉 更新16篇论文，系统&模型类3篇，Benchmark类1篇，方法类12篇；并新增1个开源系统项目 + 2026-05-06 - 🎉 更新16篇论文，系统&模型类2篇，Benchmark类2篇，方法类12篇 + 2026-04-27 - 🎉 更新15篇论文，综述类2篇，系统与模型类3篇，方法类10篇 + 2026-04-17 - 🎉 更新46篇论文，综述类1篇，系统与模型类5篇，Benchmark类3篇，方法类37篇 + 2026-04-07 - 🎉 更新16篇论文，方法类15篇，Benchmark类1篇 + 2026-03-15 - 🎉 更新14篇论文，方法类14篇 + 2026-03-08 - 🎉 更新15篇论文，综述类3篇, 系统&模型类2篇，Benchmark类5篇，方法类5篇。 + 2026-03-02 - 🎉 新增一个代码agent到仓库中 + 2026-02-27 - 🎉 更新20篇论文，综述类1篇, 系统&模型类2篇，Benchmark类2篇，方法类15篇。 + 2026-02-26 - 🎉 更新14篇论文，方法类14篇 + 2026-02-14 - 🎉 更新15篇论文，综述类1篇，方法类12篇，benchmark类1篇，系统与模型类1篇 + 2026-02-09 - 🎉 更新15篇论文 + 2026-02-01 - 🎉 更新16篇论文，方法类9篇，benchmark类4篇，系统与模型类3篇 + 2025-12-24 – 🎉 发布仓库-V(1.0) + 2025-12-10 – 🎉 仓库初始化

---

🗺️ 目录表

---

🧠 核心概念

---

📚 论文列表

以下论文按发表日期排列：
综述

GitHub Stars & Activity

1,224Stars
0Forks
0Open issues
PythonLanguage

GitHub Popularity

GitHub stars1,224
Forks0
Open issues0
Primary languagePython
License-
Stars gained today0
Created-
Last pushed-

Trending History

Trending statusnot on today's boards

Related AI Projects

More AI Rankings

AI Homed · AI projects from GitHub Trending, topic pages and search · updated daily · about sitemap · robots
时间 论文与摘要 标签 链接
2026-09-08 Graph-Based Personalized Memory for LLM Agents: Representation, Evolution, Retrieval, and Evaluation https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Experience / Skills https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Personal Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory Organization / Use https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 综述长期个性化智能体的图记忆。
• 围绕表示、演化、检索和评测组织研究。
• 比较设计选择，并梳理可靠性与可控性挑战。
2026-07-28 Memory for Large Language Models https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/LLM Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory Architecture https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Survey https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 从模型架构视角综述大语言模型记忆。
• 按表示形式、更新动态及持久性组织记忆机制。
• 综合分析写入、路由、固化、效率权衡及评测方向。
2026-07-20 The Chronos Vulnerability: A Taxonomy of Temporal Persistence and Memory-Based Deception in Agentic AI https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory Organization / Use https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 分类梳理有状态智能体中的时间持久攻击。
• 分析记忆注入、延迟欺骗及工作流级威胁模型。
• 综合轨迹监控、形式验证及可信记忆等防御方向。
2026-06-25 Agents That Know Too Much: A Data-Centric Survey of Privacy in LLM Agents https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Survey https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Privacy https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Data Governance https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory Risk https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 本文从数据中心视角综述 LLM Agent 的隐私问题，关注智能体查询、存储、记忆、交换并据此行动的数据，而不只是按攻击类型分类。
• 论文围绕数据库、文档集合、API、跨会话记忆、中间工作流状态和多智能体通信组织风险，指出敏感信息可能在最终回答生成前就通过多种路径泄露。
• 该综述强调 Agent 隐私需要覆盖记忆写入、检索、委托、日志和工具调用的全生命周期控制，因此持久状态与数据治理是安全部署的核心问题。
2026-06-23 Are We Ready For An Agent-Native Memory System? https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory System https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Evaluation https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Data Management https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 本文从数据管理视角研究 Agent Memory，指出面向 LLM Agent 的记忆不应只被视作检索增强组件，而应作为支持持久化存储、检索、更新、整合与生命周期治理的系统来评估。
• 论文将 Agent 原生记忆系统拆解为四个模块：表示与存储、提取、检索与路由、维护，并在这一框架下评估了 12 个代表性记忆系统和 2 个基线，覆盖 5 类基准工作负载与 11 个数据集。
• 实验表明不存在一种在所有场景下都占优的记忆架构，效果高度依赖记忆结构与工作负载瓶颈的匹配；细粒度消融进一步量化了表示保真度、检索精度、更新正确性和长程稳定性等因素，成本分析也显示局部维护通常比全局重组更高效。
2026-06-10 Agentic Environment Engineering for Large Language Models: A Survey of Environment Modeling, Synthesis, Evaluation, and Application https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/LLM Agents https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Environment Modeling https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Synthesis https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Evaluation https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 本文系统梳理了LLM代理环境的全生命周期框架，覆盖建模、合成、评估与应用四个核心环节。
• 提出了符号与神经两类环境合成范式，并从结构属性与能力维度分析了环境设计的演化路径。
• 强调代理与环境的协同演化机制（记忆、工作流、轨迹与探索），并指出未来将走向环境即服务与多代理生态。
2026-06-09 Toward Secure LLM Agents: Threat Surfaces, Attacks, Defenses, and Evaluation https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/LLM Security https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Attacks https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Defenses https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Evaluation https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 本文从生命周期视角系统刻画LLM代理的安全风险，并统一建模信息流、授权委托与持久状态三类关键交互。
• 通过综述247篇研究，归纳攻击面、防御机制与评估体系，揭示当前安全方法整体仍偏脆弱且不完整。
• 强调需要构建可信边界清晰、权限控制原则化、且贴近真实环境的长期状态安全评估框架。
2026-06-04 Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/LLM https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory Systems https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Long-Horizon Tasks https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 将 Agent Memory 定位为长程有状态工作负载，而不只是检索增强模块。
• 提出系统导向分类法和阶段感知 profiling 工具，用于拆解构建、检索和生成成本。
• 分析十个代表性系统，并总结面向规模化部署、新鲜度与延迟权衡的系统建议。
2026-05-23 MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Multimodal Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Visual Benchmark https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Evaluation Framework https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Long-term Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 提出 MemEye，一个以视觉为中心的基准测试，用于评估多模态 Agent 的长期记忆能力，避免文本主导的"捷径"问题。
• 设计了二维评估矩阵（X轴：场景/区域/实例/像素粒度；Y轴：原子检索/关系关联/演化合成推理深度）。
• 引入三阶段验证闸门，确保问题无法通过文本上下文、简短字幕或超出 VLM 能力的方式被解决。
2026-06-01 EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Long-term Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory OS https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Self-Organizing https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Semantic Consolidation https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 提出 EverMemOS，一个三阶段记忆生命周期（情景记忆形成 → 语义整合 → 重构式回忆），将碎片化对话组织为结构化、可演化的记忆单元（MemCell/MemScene）。
• 引入 MemCell 作为原子记忆单元，包含 Episode + Atomic Facts + Foresight + Metadata；MemScene 用于场景级整合，支持长期用户画像演化。
• 设计重构式检索范式，包含 MemScene 引导检索、前瞻有效性过滤和充分性验证，实现长期推理中"必要且充分"的上下文获取。
2026-05-19 An Agent-Oriented Pluggable Experience-RAG Skill for Experience-Driven Retrieval Strategy Orchestration https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Experience-RAG https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Retrieval Strategy https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Skill Orchestration https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 识别了流水线式检索的三个工程问题：策略逻辑不可复用、路由决策不可观测、工作流耦合导致不可演进。
• 提出 Experience-RAG Skill，包含六个模块（统一接口、场景分析、经验记忆、策略路由、检索器池、结果打包），将检索策略选择封装为可插拔的 Agent skill。
• 规则路由（0.8924）优于学习路由（0.8778/0.8627），经验记忆记录 (scene_features, score_vector, best_margin) 为未来升级到学习路由奠定基础。
2026-04-17 Human Cognition in Machines: A Unified Perspective of World Models https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/World Models https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Cognitive Architecture https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Meta-cognition https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Structured Knowledge https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 从认知架构视角统一梳理世界模型中的记忆、感知、语言、推理、想象、动机与元认知等能力。
• 提出面向科学发现的 Epistemic World Models 类别，并给出跨视频、具身与认知世界模型的分类和未来方向。
2026-04-17 Agentic Frameworks for Reasoning Tasks: An Empirical Study https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agent Memory https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Context Management https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Agentic Framework https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Orchestration https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Memory Control https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 对 22 种常用 Agentic 框架在 BBH、GSM8K 与 ARC 上进行统一评测，比较准确率、耗时、成本与跨基准一致性。
• 结果表明性能差异主要来自编排质量，尤其是记忆控制、上下文增长和失败重试机制会显著影响效率与成本。
2026-04-09 Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Survey https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Externalization https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 从“外化”视角综述 LLM Agent 的记忆、技能、协议与 harness 工程。
• 指出记忆外化跨时间状态，技能外化程序能力，协议外化交互结构，harness 负责统一协调这些模块。
• 梳理了从模型参数到上下文再到外部基础设施的演进路径，并讨论其中的关键权衡与开放问题。
2026-03-05 Beyond the Context Window: A Cost-Performance Analysis of Fact-Based Memory vs. Long-Context LLMs for Persistent Agents https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Long Context https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Cost Analysis https://github.com/IAAR-Shanghai/Awesome-AI-Memory/blob/HEAD/Paper Badge
• 解决业界关于长上下文模型与外部记忆系统在构建持久化代理时的效能与成本优劣之争。
• 在三大主流记忆基准上，从准确率与累计 API 推理成本双重维度，系统交叉评测长上下文与事实型外部记忆方案。
• 长上下文在事实召回上具有优势，但成本随轮次递增；在 100k 上下文长度下，记忆系统在约 10 轮交互后即可实现成本反超，为实际工程选型提供了量化依据。
2026-03-02