企业官网建设流程全解析

如果你正在为AI Agent 记忆系统发愁——上下文越聊越长、历史知识越存越乱、检索总"答非所问"——那这份清单值得反复刷。开源仓库awesome-ai-agent-papers精选了 2026 年 arXiv 上发布的57 篇 Memory & RAG（记忆与检索增强生成）论文，覆盖记忆架构、图谱记忆、遗忘压缩、Agentic RAG 等 Agent 工程的核心环节，是理解"LLM Agent 长期记忆怎么做"的一站式地图。本文带你把这 57 篇论文拆成 6 大方向，10 分钟建立完整认知。

📍 这份论文清单在哪里？

所有论文都收录在 README.md 的Memory & RAG分区，每篇论文附一句大白话摘要 + arXiv 编号，方便快速检索。仓库按周从 arXiv 更新，贡献规范见 CONTRIBUTING.md。

💡 阅读建议：先看下面第 1 节的"综述派"打底，再按自己项目痛点跳到对应小节。

🗺️ 方向一：综述与架构蓝图——先看清记忆系统的"地图"

新手看点：2602.06052的认知分类（情景/语义/工作/程序记忆）是整个方向的通用坐标系，后面 56 篇基本都能对号入座。

🕸️ 方向二：图谱派——用知识图谱给记忆装上结构

平铺的文本记忆找起来靠"猜"，图谱派主张把记忆组织成实体关系，检索才有确定性。

新手看点：MAGMA 的四图正交表示值得抄作业——语义、时间、因果、实体分开建模，查询时按策略遍历，比单一大图灵活得多。

🧹 方向三：记忆管家——写入、更新、遗忘一个都不能少

记忆系统最大的坑不是"存不下"，而是"存了垃圾"。这一批论文专攻记忆的全生命周期管理。

新手看点：AtomMem（2601.08323）把"记忆操作"当成可以训练的策略，是"记忆管理从规则走向学习"的代表；FadeMem 则提醒我们——遗忘机制不是锦上添花，而是记忆系统的一等公民。

🔎 方向四：Agentic RAG——什么时候检索、怎么多跳，交给 Agent 自己判断

传统 RAG 是"固定流水线"：查询 → 检索 → 生成。Agentic RAG 让 Agent 动态决策。

新手看点：To Retrieve or To Think与L-RAG是一枚硬币的两面——前者决定"要不要查"，后者决定"值不值得查"，都是降本利器。

⚙️ 方向五：RAG 工程质量——重排、解码与上下文构建

检索到了不等于答得好。这一组论文死磕生成侧与证据侧的质量。

新手看点：DeepEra（2601.16478）戳中高频痛点——检索回来的段落"看着相关、逻辑无关"，重排才是质量分水岭。

💰 方向六：效率、成本与真实落地——记忆系统要算账

新手看点：Reliable Graph-RAG（2601.08773）对工程团队最务实——代码库场景下 AST 建图比 LLM 抽取更稳更省，别盲目上"智能"。

🧭 给初学者的三步落地路线图

1. 先建认知地图：精读 2 篇综述（2602.06052+2602.05665），用"情景/语义/工作/程序"四分类审视你现有的 Agent，明确缺哪块记忆。
2. 按场景选架构：
   • 个人助手/长期陪伴 → 借鉴 HiMeS 的海马体分区 + SimpleMem 的压缩-合成-检索三段式；
   • 企业知识库/流程文档 → Graph RAG 路线（Deep GraphRAG、SOPRAG、Relink）；
   • 多跳推理/深度研究 → Agentic RAG（A2RAG、PRISMA、CIRAG）。
3. 把"遗忘"和"预算"写进设计：上线前就规划 FadeMem 式衰减、L-RAG 式懒加载、BudgetMem 式成本路由，避免记忆库膨胀到不可用。

📥 如何获取这份论文清单

仓库每周从 arXiv 更新，clone 下来即可浏览全部 57 篇 Memory & RAG 论文及其分类解读：

git clone https://gitcode.com/gh_mirrors/aw/awesome-ai-agent-papers

进入后直接打开 README.md 定位到 Memory & RAG 分区，配合 CONTRIBUTING.md 了解分类规则，项目基于 LICENSE（MIT）开源。

总结：这 57 篇论文传递的信号很明确——2026 年的 AI Agent 记忆系统正从"往向量库里塞文本"进化为可学习、可遗忘、可分档计价的独立子系统。记忆管理策略本身可以被训练（AtomMem），遗忘是必要设计（FadeMem），检索与否可以按需决策（L-RAG）。先把认知地图建起来，再按业务痛点逐个方向深挖，就是最稳的跟进路线。🚀