理解 Agent 的记忆机制：存储、检索与分层

在现代 AI 系统中，Agent 本身并不知道什么是“短期记忆”或“长期记忆”，它依赖记忆系统的规则来决定哪些信息需要保存、检索或遗忘。我们可以类比人类，但要注意，Agent 的记忆存在于外部存储，而非模型内部权重。

---

1. Agent 记忆的核心分类

现代 Agent 的记忆通常分为四种类型：

类型	内容	生命周期
工作记忆 (Working Memory)	当前思考链、即时计算	秒级
会话记忆 (Session Memory)	当前会话、临时任务	小时级
长期记忆 (Long-term Memory)	用户偏好、历史决策	月/年级
知识记忆 (Knowledge Memory)	项目知识库、文档、Wiki	永久

注意：所有类型的记忆都需要存储 + 检索 + 更新 + 遗忘机制，而不仅仅是简单的数据库保存。

---

2. Agent 记忆存储的主流方案

方案 1：基于规则

最常见的方式，预先定义短期和长期信息规则。

• 短期记忆：

  • 当前任务

  • 当前会话

  • 当前文件内容

  • 最近执行的命令和错误

  • 特点：任务结束后立即删除

• 长期记忆：

  • 用户偏好

  • 项目架构

  • 编码规范

  • 常用工具

  • 历史决策

  • 特点：写入数据库或向量库

示例：

用户输入：

“以后 Go 项目统一使用 GORM 事务封装”

Agent 判断：

“这是长期偏好，存入长期记忆。”

---

方案 2：LLM 自行判断

现代 Agent 更常用这种方式，让 LLM 根据上下文判断哪些信息值得长期保存。

示例 Prompt：

请判断以下信息是否值得长期保存：
1. 当前修复订单模块 Bug
2. 用户偏好使用 GORM
3. 本次测试失败
4. 用户公司统一使用 DDD 架构

模型返回：

[
  {"memory": "用户偏好使用 GORM", "type": "long_term"},
  {"memory": "用户公司统一使用 DDD 架构", "type": "long_term"}
]

---

方案 3：重要度评分

高级 Agent 会给信息打分，超过阈值的进入长期记忆。

信息	分数
当前报错	20
当前任务	40
用户喜欢 Go	80
项目使用 DDD	95

规则：

如果 score > 70 → 存入长期记忆

• 类似人脑，重复出现的信息更容易被记住。

---

方案 4：Memory Agent（专门管理记忆）

复杂系统会独立一个“记忆 Agent”，负责短期和长期记忆管理。

        用户
          │
          ▼
       主 Agent
          │
 ┌────────┴─────────┐
 ▼                  ▼
Tool Agent      Memory Agent
                     │
          ┌──────────┴─────────┐
          ▼                    ▼
      短期记忆              长期记忆

功能：

• 对话结束后自动整理

• 更新或删除过期偏好

• 与主 Agent 协作完成检索和注入上下文

---

3. 技术要点：检索与遗忘比存储更重要

3.1 记忆生命周期

1. 产生 → 2. 筛选 → 3. 存储 → 4. 检索 → 5. 更新 → 6. 遗忘

示例：

• 三个月前用户喜欢 GORM

• 三个月后用户改用 SQLC

• Agent 需要更新旧记忆，否则会出现冲突信息

---

3.2 检索比存储更重要

• 不能把全部记忆塞入 Prompt

• 必须先搜索相关记忆，再注入上下文

• 这一步通常称为 Memory Retrieval

示例：

用户问：

“帮我生成 Go 项目的事务封装代码”

Agent 检索：

• 喜欢 Go

• 使用 DDD

• 喜欢 GORM

注入 Prompt → 生成个性化回答

---

3.3 RAG vs Memory

类别	功能	示例
RAG (Retrieval-Augmented Generation)	检索外部知识	MySQL 文档、公司 Wiki、PDF
Memory	检索用户相关信息	用户偏好、项目使用框架

简单记忆口诀：

• RAG 解决“我知道什么”

• Memory 解决“我记得你什么”

---

3.4 Context Window 限制

• LLM 本身只能看到有限的上下文（Context Window）

• 超出窗口的信息无法直接使用

• Agent 利用长期记忆 + 检索 → 动态注入 Prompt

• 流程：

Memory → Retrieval → Prompt → LLM → Output

---

4. 现代 Agent 记忆分层示意

                 用户输入
                      │
                      ▼
                  主 Agent
                      │
          ┌──────────┼──────────┐
          ▼          ▼          ▼
     工作记忆    RAG 检索     长期记忆
          │          │          │
          └───────┬──┴─────────┘
                  ▼
             Prompt 构建
                  ▼
                 LLM
                  ▼
                输出
                  ▼
            Memory Agent
                  │
      ┌───────────┴───────────┐
      ▼                       ▼
  更新长期记忆            删除过期记忆

• 工作记忆处理即时思考链

• RAG 检索外部知识

• Memory Agent 管理长期记忆、更新和遗忘

---

5. 类比人脑的局限性

• 人脑记忆：存储在神经网络权重中

• Agent 记忆：存储在外部数据库/向量库

• 模型本身并不真正记住，只是“会查笔记的 LLM”