記憶是連結過去經驗與未來決策的認知樞紐，在人類大腦中表現為儲存與管理資訊的動態神經過程。隨著大型語言模型與自主代理技術的演進，賦予人工智慧系統類人的記憶能力已成為關鍵挑戰。然而，大型語言模型天生無狀態的特性使其每次推理皆相互獨立，無法維持跨對話的連續性，加上知識更新成本高昂與計算複雜度限制，使記憶系統成為推動代理實現資訊持久化與長遠規劃的核心要素。 現有記憶機制研究多侷限於單一學科視角，缺乏深度的生物學研究支撐，導致認知科學與人工智慧難以深度融合，錯失相互驗證與啟發的機會。為彌合此差距，研究提出整合認知神經科學與大型語言模型驅動代理的統一記憶系統框架，建立從人腦、大型語言模型到自主代理的漸進式研究視角，系統性闡述記憶的定義、分類、儲存、管理、評估、安全與未來趨勢。 在架構分析上，研究基於長短期記憶二分法，從性質（程序性經驗與概念性知識）與範圍（單一軌跡內或跨軌跡）對代理記憶進行分類；在儲存方面，對比人腦的分散式感官額頂葉網路、海馬迴新皮質協同機制，以及代理的上下文視窗、外部記憶庫與四種儲存格式（自然語言文本、圖結構、內化參數、高維向量空間潛在表徵）；在管理機制上，完整剖析提取、更新、檢索與利用的閉環生命週期，並提出語義導向與情節導向兩大評估基準，同時探討記憶系統的攻防安全問題。 此跨學科研究不僅為初學者提供清晰的入門指南，更為資深研究人員指引未來兩大關鍵突破方向：第一是發展能整合文字、圖像、音訊與影片的多模態記憶系統；第二是開發支援異質代理間共享與轉移記憶的代理技能，將領域專業知識轉化為可組合、可重用且可攜式的模組化資源，極大化自主代理在複雜環境中的決策與適應能力。
