PlugMem把经验转化为结构化、可复用的知识并提出一个任务无关task-agnostic的统一记忆模块在多种Agent基准上提升性能同时消耗更少。随着AI agent承担越来越复杂的任务——长对话、多步推理、交互式网页导航等——它们必须记住并复用过去的经验。但多数现有记忆系统更像「日志文件」不断累积原始交互轨迹需要时再从中取出一些文本片段。时间一长记忆会无限增长、噪声增多并迅速挤占agent的上下文窗口。于是出现一个悖论AI agent拥有前所未有的「记忆量」却依然难以有效使用。然而对决策真正重要的内容往往不是完整的交互记录而是从记录中沉淀出的知识。比如做商品推荐时agent需要记住用户偏好而不是反复阅读长对话在新网站购物时agent需要的是「如何搜索、筛选、下单」的通用策略而不是重放自己看过的每一个页面。AI agent记忆问题的核心挑战并非「存更多」而是以能突出决策相关信息的方式组织记忆。UIUC、清华大学最新提出的AI agent的记忆方法PlugMem一个任务无关、即插即用的记忆模块用来把智能体的原始经验转化为可复用知识。PlugMem不把记忆当作扁平文本来检索而是借鉴认知科学将经验结构化为以知识为中心的表示。论文链接https://arxiv.org/abs/2603.03296代码链接https://github.com/TIMAN-group/PlugMem认知科学通常区分三类记忆对事件的回忆、对事实的知识、以及对技能/策略的掌握。事件提供背景但有效决策依赖从事件中抽象出的事实与技能。这一视角启发我们重新思考 AI agent 的记忆设计。PlugMem将对话、文档、网页轨迹等异构交互记录转化为结构化的知识单元更紧凑、更可复用并且与决策直接对齐。PlugMem包含三个核心组件Structuring结构化 将原始情景经验标准化并提取为两类知识命题式知识facts与处方式知识skills、可复用技能/策略。这些知识单元被组织为结构化的记忆图。Retrieval检索 不再检索冗长文本块而是检索与当前任务语义对齐的知识单元。高层概念与意图concepts / intents作为「路由信号」帮助快速定位最相关的内容。Reasoning推理/压缩 把检索到的知识进一步压缩为简洁、可直接用于当前任务的指引再交给AI agent使用从而更高效地利用上下文。PlugMem将异构智能体经验组织为知识中心的记忆图实现结构化检索与推理。PlugMem与传统GraphRAG系统的关键差别在于「记忆访问单元」。传统方法通常索引文本chunk或实体PlugMem以知识单元命题与处方作为基本构件。这样的设计减少冗余、提升信息密度并提高检索精度。一个能跨任务迁移的记忆模块很多记忆系统往往为特定基准精心定制例如对话记忆、知识密集问答、网页智能体等。这类任务特定记忆模块在单一场景里可能表现很好但换任务往往要重新设计。PlugMem选择了另一种方法作为一个即插即用的通用记忆骨架可以直接接到不同AI agent上无需针对任务做专门修改。文中用同一个模块、保持实现不变在三个异构基准上评测长程对话式问答、基于维基百科的多跳知识检索、交互式网页决策任务。结果显示PlugMem在三种设置下都稳定提升了任务表现超过了通用检索方法与多种任务特定记忆设计。更重要的是这些提升是在向AI agent上下文注入显著更少记忆智元token的前提下实现的。用「效用」衡量记忆而不是用「大小」只看任务准确率并不能反映记忆系统的关键能力记忆模块必须在「决策效用」和「上下文成本」之间权衡。因此PlugMem工作中提出一个信息论指标用来度量记忆系统每消耗一个智元token能带来多少「决策相关的信息增益」。直观地说记忆模块产生的记忆智元token能让AI agent对正确行动更有把握多少接着再按记忆长度做归一化。在效用–成本空间里PlugMem稳定处于更有优势的位置更低智元token成本下获得更高的决策效用。在多种基准上PlugMem在更小的记忆预算下提供更高的决策相关效用。这些结果支持一个结论把经验转化为知识比直接检索原始日志更紧凑、更有信息量。超过任务特定设计乍看之下一个任务无关的记忆模块能超过为某个基准量身定制的方法似乎有些反直觉。PlugMem的结果表明决定性因素往往不是特定benchmark的启发式技巧而是对「决策相关知识抽取」的有效检索。没有检索记忆只是静态存储没有结构化知识检索就缺乏精度。PlugMem将以下三件事拆开并协同结构化决定「可被检索的内容是什么」检索决定「记忆是否真的能帮助决策」推理/压缩确保「以更低成本被AI智能体利用」。PlugMem也不试图取代任务特定技巧。它更像一个通用记忆底座上层依然可以叠加任务适配。实验也显示在PlugMem之上再加入任务特定启发式探索方法往往还能进一步提升效果二者具有互补性。走向智能体的「可复用知识基础设施」当AI agent迈向更长程的自主能力记忆需要从被动存储走向成为主动的知识基础设施agents应当积累可迁移的事实与策略让知识跨任务、跨环境复用缓解AI agents冷启动问题并支持更强的泛化。PlugMem是朝这个方向迈出的一步。它以认知科学为设计启发将「知识」作为复用的基本单位展示了任务无关记忆在效率与能力上同时可行。更广义地看这项工作提示了一个视角转变与其追求检索更多上下文不如追求把经验表示成天然可复用的形式。随着智能体能力扩展可扩展、可迁移的记忆系统将成为基础设施知识中心的记忆很可能是下一代智能体的重要基石。 从经历到知识：UIUC、清华PlugMem如何重构Agent记忆
PlugMem把经验转化为结构化、可复用的知识并提出一个任务无关task-agnostic的统一记忆模块在多种Agent基准上提升性能同时消耗更少。随着AI agent承担越来越复杂的任务——长对话、多步推理、交互式网页导航等——它们必须记住并复用过去的经验。但多数现有记忆系统更像「日志文件」不断累积原始交互轨迹需要时再从中取出一些文本片段。时间一长记忆会无限增长、噪声增多并迅速挤占agent的上下文窗口。于是出现一个悖论AI agent拥有前所未有的「记忆量」却依然难以有效使用。然而对决策真正重要的内容往往不是完整的交互记录而是从记录中沉淀出的知识。比如做商品推荐时agent需要记住用户偏好而不是反复阅读长对话在新网站购物时agent需要的是「如何搜索、筛选、下单」的通用策略而不是重放自己看过的每一个页面。AI agent记忆问题的核心挑战并非「存更多」而是以能突出决策相关信息的方式组织记忆。UIUC、清华大学最新提出的AI agent的记忆方法PlugMem一个任务无关、即插即用的记忆模块用来把智能体的原始经验转化为可复用知识。PlugMem不把记忆当作扁平文本来检索而是借鉴认知科学将经验结构化为以知识为中心的表示。论文链接https://arxiv.org/abs/2603.03296代码链接https://github.com/TIMAN-group/PlugMem认知科学通常区分三类记忆对事件的回忆、对事实的知识、以及对技能/策略的掌握。事件提供背景但有效决策依赖从事件中抽象出的事实与技能。这一视角启发我们重新思考 AI agent 的记忆设计。PlugMem将对话、文档、网页轨迹等异构交互记录转化为结构化的知识单元更紧凑、更可复用并且与决策直接对齐。PlugMem包含三个核心组件Structuring结构化 将原始情景经验标准化并提取为两类知识命题式知识facts与处方式知识skills、可复用技能/策略。这些知识单元被组织为结构化的记忆图。Retrieval检索 不再检索冗长文本块而是检索与当前任务语义对齐的知识单元。高层概念与意图concepts / intents作为「路由信号」帮助快速定位最相关的内容。Reasoning推理/压缩 把检索到的知识进一步压缩为简洁、可直接用于当前任务的指引再交给AI agent使用从而更高效地利用上下文。PlugMem将异构智能体经验组织为知识中心的记忆图实现结构化检索与推理。PlugMem与传统GraphRAG系统的关键差别在于「记忆访问单元」。传统方法通常索引文本chunk或实体PlugMem以知识单元命题与处方作为基本构件。这样的设计减少冗余、提升信息密度并提高检索精度。一个能跨任务迁移的记忆模块很多记忆系统往往为特定基准精心定制例如对话记忆、知识密集问答、网页智能体等。这类任务特定记忆模块在单一场景里可能表现很好但换任务往往要重新设计。PlugMem选择了另一种方法作为一个即插即用的通用记忆骨架可以直接接到不同AI agent上无需针对任务做专门修改。文中用同一个模块、保持实现不变在三个异构基准上评测长程对话式问答、基于维基百科的多跳知识检索、交互式网页决策任务。结果显示PlugMem在三种设置下都稳定提升了任务表现超过了通用检索方法与多种任务特定记忆设计。更重要的是这些提升是在向AI agent上下文注入显著更少记忆智元token的前提下实现的。用「效用」衡量记忆而不是用「大小」只看任务准确率并不能反映记忆系统的关键能力记忆模块必须在「决策效用」和「上下文成本」之间权衡。因此PlugMem工作中提出一个信息论指标用来度量记忆系统每消耗一个智元token能带来多少「决策相关的信息增益」。直观地说记忆模块产生的记忆智元token能让AI agent对正确行动更有把握多少接着再按记忆长度做归一化。在效用–成本空间里PlugMem稳定处于更有优势的位置更低智元token成本下获得更高的决策效用。在多种基准上PlugMem在更小的记忆预算下提供更高的决策相关效用。这些结果支持一个结论把经验转化为知识比直接检索原始日志更紧凑、更有信息量。超过任务特定设计乍看之下一个任务无关的记忆模块能超过为某个基准量身定制的方法似乎有些反直觉。PlugMem的结果表明决定性因素往往不是特定benchmark的启发式技巧而是对「决策相关知识抽取」的有效检索。没有检索记忆只是静态存储没有结构化知识检索就缺乏精度。PlugMem将以下三件事拆开并协同结构化决定「可被检索的内容是什么」检索决定「记忆是否真的能帮助决策」推理/压缩确保「以更低成本被AI智能体利用」。PlugMem也不试图取代任务特定技巧。它更像一个通用记忆底座上层依然可以叠加任务适配。实验也显示在PlugMem之上再加入任务特定启发式探索方法往往还能进一步提升效果二者具有互补性。走向智能体的「可复用知识基础设施」当AI agent迈向更长程的自主能力记忆需要从被动存储走向成为主动的知识基础设施agents应当积累可迁移的事实与策略让知识跨任务、跨环境复用缓解AI agents冷启动问题并支持更强的泛化。PlugMem是朝这个方向迈出的一步。它以认知科学为设计启发将「知识」作为复用的基本单位展示了任务无关记忆在效率与能力上同时可行。更广义地看这项工作提示了一个视角转变与其追求检索更多上下文不如追求把经验表示成天然可复用的形式。随着智能体能力扩展可扩展、可迁移的记忆系统将成为基础设施知识中心的记忆很可能是下一代智能体的重要基石。