Memory（Agent记忆）

为什么需要 Memory

没有记忆的 Agent 就像"金鱼"——每次交互都是独立的，问"昨天让我做什么"，它完全不记得。

现实中的任务往往需要：

• 理解对话的前后文
• 记住用户的偏好和习惯
• 保存任务执行的中间状态
• 调用历史知识来辅助决策

Memory 让 Agent 能"积累经验"，而不是每次都从零开始。

什么是 Memory

一句话定义：Memory 是 Agent 保存和复用信息的能力，让它在多轮交互和复杂任务中保持连贯。

类比：Memory 就像人的记忆体系——有工作记忆（当前在想的）、有长期记忆（记住的各种知识）。

Agent 的记忆分为三层：

工作记忆（Working Memory）：当前任务执行周期内的上下文信息，受 Context Window 限制，任务结束就释放。

会话记忆（Session Memory）：跨轮对话的信息，会话期间保存，通常通过对话摘要压缩来管理。

长期记忆（Long-Term Memory）：持久化的跨会话知识，可以记住几个月甚至几年的信息，通常存在向量数据库里——这里就要用到 Embedding 做语义检索。

怎么做：什么时候需要什么层次的记忆

只需要工作记忆：简单的一次性任务，问完答完就结束。

需要会话记忆：需要跨多轮对话保持上下文，比如客服对话、复杂问题的逐步解答。

需要长期记忆：需要记住用户偏好、历史决策、领域知识，比如个人助理、长期项目助手。

这和 RAG 的思路很像——都是从外部存储里检索相关信息拼进上下文，只不过 Memory 存的是"历史经验"，RAG 存的是"外部知识"。

常见坑：

• 什么都往 Context 里塞：Context Window 有限，需要筛选，只保留与当前任务相关的信息
• 记忆检索不准：需要用 Embedding 做语义匹配，而不是简单关键词搜索
• 记忆一致性：多轮对话可能出现记忆矛盾，需要版本管理和冲突检测

记住这一句：Memory 让 Agent 从"金鱼"变成"有经验的工作者"——不同层次的记忆服务不同需求，不是越多越好，而是需要什么用什么。

相关词条：Agent · Embedding