NeurIPS'25 A-Mem晓读：2倍性能算力节省，卢曼笔记法定义AI记忆

旺晓通：深入浅出解读，轻松通晓技术

我一直有个很矛盾的观察：现在的AI智能体，就像一个背完了一整本百科全书，却不会做综合题的学生。

你给它单条信息，它记得比谁都牢；但要它把半个月前的3条碎片化信息串起来，做一次多步推理，它立刻就卡壳了。要么是翻遍所有历史上下文，烧掉海量token也找不到重点；要么是干脆忘了关键信息，一本正经地胡说八道。

直到我看完这篇NeurIPS'25的《A-MEM: Agentic Memory for LLM Agents》论文，才突然明白：问题根本不是AI记不住，而是它的记忆方式，从根上就错了。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

传统AI记忆，本质是个“死归档柜”

你有没有发现，现在绝大多数AI智能体的记忆系统，都在做同一件事：给信息找个固定的“文件夹”。

要么是按时间顺序把所有对话堆在一起，用的时候全量检索；要么是提前定好规则，把信息分成“事实记忆”“流程记忆”“用户偏好”等固定类别，新信息进来必须塞进预设的分类里。

这像极了公司里那个十几年没变过的归档柜：你必须按“年份-部门-项目”的固定规则放文件，一旦你想找“去年3月和A客户对接时提到的B产品售后问题”，而归档规则里没有“客户+产品”的交叉分类，你就得翻遍几十个文件夹。更别说让柜子自己发现，“这个售后问题，和上个月C客户遇到的问题，本质是同一个”。

论文里点破了这个核心痛点：传统记忆系统的所有操作，都依赖预定义的流程和规则。它只能在人类设定好的框架里分类、存储、检索，没法随着信息的增加，自己建立新的关联，更没法让已有的记忆跟着新的经验一起演化。

这种僵化，直接导致了AI在长周期、复杂推理任务里的拉胯表现。我们之前测试过不少主流的智能体框架，不管是靠全量上下文堆出来的记忆，还是按固定规则提取的摘要记忆，最终都逃不过两个结局：要么token成本高到离谱，要么记忆变成一堆毫无关联的碎片，根本没法用来支撑深度思考。

把卢曼的卡片盒，搬进了AI的大脑

这套系统的核心灵感来自卢曼的Zettelkasten卡片盒笔记法。做知识管理的人都知道，卢曼的卡片盒，是完全反归档柜逻辑的。它的核心规则只有三条：每张卡片只记一个原子化的知识点，给每张卡片写清上下文和属性，主动给新卡片和已有的卡片建立关联。它没有固定的文件夹，所有的知识都靠链接形成一张不断生长的网，新卡片的加入，不仅是新增了一条信息，还会触发旧卡片的更新，甚至催生出全新的知识关联。卢曼就是靠这套系统，一辈子写了70多本书和数百篇论文。

而这篇论文提出的A-MEM自主记忆系统，本质就是把卢曼的卡片盒，完整地搬进了AI的大脑里。

它的核心设计，完全跳出了“预定义规则”的桎梏：

第一，给每一条新记忆，都生成一张完整的“原子化笔记”。 不是随便存一段文本，而是同时包含结构化的属性描述、完整的上下文信息，以及用于语义匹配的嵌入向量，确保每一条记忆都是独立、完整、可被关联的。

第二，自主链接生成。 新笔记进来后，系统会先找到语义最相关的已有记忆，再让大模型自主分析它们之间的共性与关联，自动建立链接，全程没有任何人类预设的分类规则。

第三，记忆自主演化。 新记忆的加入，不只是新增了一条内容，还会触发已有记忆的上下文更新，让整个记忆网络随着新的经验，不断提炼更高阶的规律，完成自主的认知升级。

说实话，我看到这里的时候，第一反应是：没有固定规则，AI会不会乱加链接，把记忆网搞乱？但论文里的消融实验，直接给了我最直白的答案：当去掉链接生成和记忆演化两个模块时，系统在多跳推理和开放域任务里的性能直接暴跌；只保留链接生成模块时，性能只有中等水平；只有两个模块同时工作，系统才能在全场景拿到最优表现。

原来AI自己建立的记忆关联，比我们人类拍脑袋定的规则，要靠谱得多。

15%的算力，换200%的推理提升，这才是最狠的

这篇论文最颠覆行业认知的，从来不是它的设计有多精巧，而是它用极低的成本，拿到了翻倍的性能提升。

我给你算一笔最直观的账：

在最考验记忆联动能力的多跳推理任务中，用GPT-4o-mini作为底座模型，A-MEM的ROUGE-L分数达到了44.27，而行业主流的基线模型LoComo只有18.09，性能直接翻了2.45倍，接近200%的提升。

更夸张的是算力成本：完成同样的推理任务，A-MEM只需要消耗1200-2500个token，而基线模型需要整整16900个token。算下来，它只用了基线模型不到15%的算力，就拿到了翻倍的性能。

这像极了两个备考的学生：一个学生把整本书一字不落地背下来，考试的时候把整本书翻一遍，花了3个小时，刚到及格线；另一个学生把知识点做成了关联卡片，理清了所有逻辑脉络，考试的时候只需要翻几张关键卡片，花了20分钟，就考到了优秀。

更难得的是，这套系统的通用性极强。论文里测试了GPT、DeepSeek-R1、Claude等6款主流大模型，在6项不同的评估指标下，A-MEM都能带来稳定的性能提升，不是只适配某一款模型的“定制优化”。

这让我突然想到，现在行业里很多人都在疯狂卷“更长的上下文窗口”，觉得窗口越大，记忆能力就越强。但这篇论文直接给出了一个反常识的答案：真正的长期记忆，从来不是把所有东西都塞进上下文里，而是让AI学会怎么管理自己的记忆，怎么用最少的信息，做最精准的推理。

就像我们人类，从来不会把一辈子见过的所有事，都放在脑子里思考问题。我们靠的是关联、索引和抽象，快速找到需要的信息，用核心信息完成思考。这才是认知的本质，而不是堆容量。

从“死记硬背”到“自主思考”，AI记忆的本质是认知升级

记忆的本质，从来不是存储，而是为了支撑思考。

这也是A-MEM最打动我的地方：它终于让AI的记忆，回归了认知的本质。人类的记忆从来不是一个只读的硬盘，而是一个不断重构的系统——每次我们回忆一件事，都会用新的认知修改这段记忆，让它和新的经验融合，形成更完整的认知体系。而A-MEM的记忆演化模块，恰恰就是模拟了人类的这个认知过程。

当然，我也必须客观地说，这套系统并不是完美的。论文里的测试，主要集中在长对话和多跳推理任务，在创意生成、开放世界的复杂交互任务中，它的效果还有待验证。同时，完全自主的链接生成，会不会带来“幻觉关联”——比如AI把两个不相关的记忆强行绑定，导致推理错误，这也是未来需要解决的问题。

但这并不妨碍它成为一次极具启发性的尝试。

结尾：我们到底需要AI记住什么？

写完这篇解读的时候，我一直在想一个问题：我们到底希望AI拥有什么样的记忆？

是记住人类有史以来所有的知识，做一个永不犯错的百科全书？还是学会像人类一样思考，用记忆支撑自己的认知成长，解决未知的问题？

这篇论文给了我一个清晰的答案。未来的AI，一定不是参数越堆越大、上下文越做越长的“怪物”，而是像人类一样，会记重点，会找关联，会不断更新自己认知的“思考者”。

卢曼的卡片盒之所以伟大，从来不是因为它存了9万张卡片，而是因为这些卡片之间的链接，形成了一个能自己生长的认知系统，能不断帮他产生全新的想法。而A-MEM做的，就是给AI装上了这样一个能自己生长的卡片盒。

我们总说，要让AI拥有通用智能。但通用智能的起点，从来不是记住更多的信息，而是学会怎么用已有的信息，去面对未知的世界。

从这个角度来说，这篇论文重构的，从来不止是AI的记忆系统，更是我们对AI认知升级的核心逻辑。

参考资料

• 标题：A-MEM：面向大语言模型智能体的自主记忆系统（A-Mem: Agentic Memory for LLM Agents）

• 作者：Wujiang Xu、Zujie Liang、Kai Mei、Hang Gao、Juntao Tan、Yongfeng Zhang

• 单位：Rutgers University、蚂蚁集团、Salesforce Research

• 链接：https://openreview.net/pdf?id=FiM0M8gcct