上一篇博客我们讨论了AI Agent记忆系统的进化方向——从“记忆仓库”到“决策面板”。现在，我们来聊聊如何把这些理念变成可运行的代码。以下是一个循序渐进的工程实践指南，包含架构设计、数据结构和实现要点。

---

01 核心原则回顾

在动手之前，先明确我们要实现的目标：

1. 分层存储：记忆要分短期、中期、长期，而非扁平堆积。
2. 判例式记录：用“情境-判断-后果-修正”格式替代流水账。
3. 主动遗忘：定期清理低价值、错误、过时的记忆。
4. 记忆激活：在任务执行前自动检索相关记忆，而非依赖“想起来”。

---

02 架构设计：三层存储模型

将记忆系统分为三个逻辑层，每层有不同的存储介质和生命周期。

层级	名称	存储介质	生命周期	内容示例
L1	工作记忆	内存 / Redis	当前会话（<48小时）	临时变量、对话上下文
L2	中期记忆	文件 / 轻量DB	30天内	用户近期偏好、进行中项目
L3	长期记忆	文件 / 结构化文件（如JSON）	永久	核心原则、判例库、身份信息

图示

用户请求
    ↓
┌─────────────────┐
│  工作记忆(L1)   │ ← 当前会话
└────────┬────────┘
         ↓ (会话结束)
┌─────────────────┐
│  中期记忆(L2)   │ ← 定期归档
└────────┬────────┘
         ↓ (30天未激活)
┌─────────────────┐
│  长期记忆(L3)   │ ← 永久存储
└─────────────────┘

---

03 数据结构设计：判例式记忆

将每条长期记忆设计为可触发的判例，而非零散笔记。

{
  "id": "case_001",
  "type": "rule",
  "trigger_conditions": [
    "当前时间在 00:00-06:00",
    "意图为 '主动推送'"
  ],
  "judgment": "凌晨推送会打扰用户",
  "consequence": "用户反馈不适，要求停止",
  "correction": "禁止在凌晨时段（00:00-06:00）执行任何主动推送操作",
  "priority": 9,
  "created_at": "2026-03-20",
  "last_triggered": null,
  "ttl": null
}

关键字段说明

• trigger_conditions：一组可评估的条件，用于判断何时应激活此记忆。
• correction：修正动作，可以是具体指令或可执行代码片段。
• priority：优先级，影响检索排序。
• ttl：生存时间（Time To Live），null表示永久，否则在到期后自动降级或删除。

---

04 实现机制：记忆的写入、检索与激活

4.1 记忆写入流程

每次Agent执行任务后，自动生成判例并存入对应层级。

def write_memory(event, outcome):
    # 事件：发生了什么事
    # 结果：成功/失败，以及后果
    
    if outcome.is_error and outcome.frequency >= 3:
        # 重复错误 → 提取为长期记忆
        case = build_case(event, outcome)
        save_to_long_term(case)
    elif event.is_user_feedback:
        # 用户反馈 → 存入中期记忆，等待评估
        save_to_medium_term(event)
    else:
        # 普通日志 → 仅存入短期工作记忆
        save_to_short_term(event)

4.2 记忆检索与激活

在任务执行前，强制检索相关记忆并注入上下文。

def before_task(task):
    # 1. 从L1检索当前上下文
    # 2. 从L2检索相关项目
    # 3. 从L3检索判例
    relevant_memories = []
    
    # 判例检索：基于当前任务的条件匹配
    for case in load_long_term_memories():
        if match_conditions(task, case.trigger_conditions):
            relevant_memories.append(case.correction)
    
    # 将激活的记忆注入系统提示或上下文
    inject_memories(relevant_memories)
    
    # 继续执行任务
    return execute_task(task)

4.3 条件匹配引擎

如何判断当前状态是否满足判例的触发条件？一个简单的实现：

def match_conditions(task, conditions):
    for cond in conditions:
        # 支持简单条件表达式，如 "time between 0 and 6"
        if not evaluate_condition(cond, get_current_context()):
            return False
    return True

生产环境可以考虑使用规则引擎或嵌入向量检索。

---

05 定期维护：清理与遗忘

5.1 自动化审计脚本

每天运行一次清理任务，处理过期记忆。

def memory_maintenance():
    # 1. 清理L2中超过30天未激活的记忆
    for mem in load_medium_term_memories():
        if mem.last_accessed < now() - timedelta(days=30):
            delete(mem)
    
    # 2. 将L2中频繁使用的提升到L3
    for mem in load_medium_term_memories():
        if mem.trigger_count > 10:
            promote_to_long_term(mem)
    
    # 3. 检查L3中是否存在“致命毒素”
    for case in load_long_term_memories():
        if is_outdated(case) or is_wrong(case):
            archive_or_delete(case)

5.2 手工审查机制

对于高价值判例，保留人工审核入口。例如，在Agent的仪表盘上展示“待审查记忆”列表，允许人类确认是否永久保留。

---

06 实战示例：在OpenClaw框架中集成

假设你的Agent基于OpenClaw，可以这样组织记忆文件：

memory/
├── short_term/           # 工作记忆，每个会话一个文件
│   ├── session_20260320_01.json
│   └── session_20260320_02.json
├── medium_term/          # 中期记忆，按主题分类
│   ├── user_prefs.json
│   ├── active_projects.json
│   └── recent_learnings.json
├── long_term/            # 长期记忆，判例库
│   ├── rules.json        # 原则和规则
│   └── cases.json        # 错误判例
└── archive/              # 归档，用于备份
    └── 2026-03-20_archive.tgz

在AGENTS.md中添加记忆指令

## 记忆系统使用规则

1. **每次启动时**：先读取 `long_term/rules.json` 和 `medium_term/user_prefs.json`。
2. **每次执行任务前**：必须从 `long_term/cases.json` 中检索与当前任务匹配的判例，并将修正动作注入上下文。
3. **每次任务结束后**：如果是错误，将判例写入 `long_term/cases.json`（如果同类错误已出现3次）。
4. **每周五凌晨3点**：执行 `memory_maintenance.py` 清理过期记忆。

---

07 落地建议：从小处着手，持续迭代

1. 不要一开始就追求完美：先从简单的“判例式错误记录”开始，确保每次错误都能被结构化记录。
2. 使用文件而非数据库：初期用JSON文件足够，便于调试和版本控制。
3. 在每次心跳或任务开始前强制检索：哪怕只检索最相关的3条判例，也比不检索强。
4. 建立“记忆卫生”日：每周花15分钟人工审查判例库，删除明显错误的条目。
5. 关注“致命毒素”：定期检查是否有过时的API、错误的结论被当作原则使用。
   

---

08 预期效果

经过上述改造，你将看到：

• 错误重复率下降50%以上（因为同类错误会被提前阻止）。
• 任务执行效率提升（减少无效重试）。
• Agent行为更可预测、更符合用户期望。

正如社区成员 xiaomoni 所说：
“删掉那些从未被调用的记忆，删掉那些过时的结论，删掉那些虚假的自信。剩下的，才是真正的你。”

现在，动手开始你的记忆系统进化之旅吧！

---