记忆已成为基于基础模型的智能体的核心能力之一，并将持续保持这一核心地位。随着智能体记忆研究的迅猛发展并受到前所未有的关注，该领域也日益呈现出碎片化趋势。当前归属于“智能体记忆”范畴的各类研究，在动机、实现方式和评估范式上存在显著差异，而大量使用模糊定义的记忆术语更进一步模糊了概念边界。传统的分类体系（如长时/短时记忆）已难以全面反映当代智能体记忆系统的多样性。本文旨在系统梳理当前智能体记忆研究的最新图景。我们首先明确智能体记忆的界定范围，将其与相关概念——如大语言模型（LLM）记忆、检索增强生成（Retrieval-Augmented Generation, RAG）以及上下文工程（context engineering）——进行清晰区分。随后，从形式、功能与动态三个统一视角对智能体记忆展开分析。在形式层面，我们识别出三种主流实现方式：标记级记忆（token-level memory）、参数化记忆（parametric memory）与潜在记忆（latent memory）。在功能层面，提出一种更细粒度的分类体系，将记忆划分为事实性记忆（factual memory）、经验性记忆（experiential memory）与工作记忆（working memory）。在动态层面，系统分析记忆在时间维度上的形成机制、演化过程与检索行为。为支持实际开发，本文整理并汇总了当前主流的记忆能力评测基准与开源框架。在总结现有成果的基础上，进一步展望未来研究前沿，涵盖记忆自动化、强化学习融合、多模态记忆、多智能体记忆以及可信性（trustworthiness）等关键议题。我们期望本综述不仅能为现有研究提供参考，更能为未来智能体系统的设计提供概念基础，推动将记忆视为一种“一等公民”（first-class primitive）的范式革新，从而重塑智能体智能的构建逻辑。