Agent Memory 是什么？

核心回答

Agent Memory 是 Agent 保存过去交互、任务状态和经验，并在后续决策中按需使用这些信息的机制。它让系统知道当前任务已经完成哪些步骤，也能在下一次对话中复用有效的用户偏好或历史事实。

常见地可以分为：短期或工作记忆，服务当前会话和任务，例如已确认参数、计划和工具结果；长期记忆，跨会话保留偏好、稳定事实或经过整理的经验。按内容还可以区分事实、事件经验和操作方法，这与保存多久是不同维度。

它的基本生命周期是：选择值得记的信息 → 保存 → 按当前任务检索 → 注入决策上下文 → 更新、合并或删除。例如用户明确说“以后报告都用非技术语言”，可以按记忆规则保存为偏好；后续生成报告时再读取，而不是每次加载全部历史对话。

展开说明

1. Memory 保存哪些信息

短期记忆通常包含近期对话；工作记忆更强调当前任务的执行信息，例如待办、已确认条件、已完成步骤和中间结果。它们可以结合使用，帮助 Agent 在多轮和多步执行中保持连续。

长期记忆面向跨任务复用的信息，例如用户持续有效的表达偏好、项目背景、重要历史决策和经过验证的经验。按内容看，语义记忆保存事实与知识，情景记忆保存发生过的具体事件，程序性记忆保存可复用的方法或行为规则。这些维度可以交叉组合：一条长期记忆既可能是用户偏好，也可能是一次任务经验。

Memory 不必全部是自然语言。当前订单号、任务阶段和偏好配置适合结构化字段，事件经验可以保留带来源的文本或记录，较长资料则按需检索。选择形式应方便后续准确读取和更新。

2. 写入和检索怎样形成闭环

写入从交互或任务结果中选取有价值的信息，区分明确事实、临时要求、假设和模型推断，保留主体、来源、适用范围及必要时间。重复信息可以归并，含糊内容先作为候选，不必把每句话都固化。

检索先按用户、项目或任务范围筛选，再决定匹配方式。用户的固定偏好可以按键直接读取；需要回忆相近经历时，可以结合语义、关键词和元数据检索。匹配不只看向量相似度，还要检查当前问题是否相关、信息是否有效以及是否有权限使用。

读取后的相关记忆被组织进本轮模型输入，帮助下一步决策；未召回的存储内容不会自动被模型看到。使用后根据新事实或用户更正更新记录，过期、错误或要求删除的内容也应退出后续使用。

3. 在应用里通常存在哪里

应用层 Memory 可以使用数据库、键值存储、文件、向量索引等实现。存储完整消息或执行日志便于追溯，面向决策的记忆则可以是摘要、结构化状态和选出的事实；两者不必完全相同。

以 LangGraph 为例，checkpointer 保存某条 thread 的图状态，支持会话连续和执行恢复；Store 保存图状态以外、可跨 thread 使用的信息。当前任务的参数与进度可以放在前者，跨会话偏好可以放在后者。存储范围与持久化能力仍要分别配置：内存后端适合临时运行，需要重启后保留时使用可靠的持久化后端。

4. 记忆为什么还需要维护

保存下来不等于永远正确。用户搬家、项目版本升级或任务条件改变，都可能使旧记录失效；一次“这次写详细些”也不一定改变平时偏好。记忆需要可追溯、可更正和可删除，读取时尊重当前适用范围，更新时避免旧信息反复覆盖新值。具体判断可看记忆与当前上下文冲突时怎样处理。

常见追问

长期记忆一定要用向量数据库吗？

不一定。结构稳定、能按用户或项目明确定位的信息，用数据库或键值查询可能更直接；向量检索适合语义相近、难以用固定键定位的内容。也可以组合，但相似度不能替代身份、字段和有效性检查。

Memory 和 RAG 有什么关系？

两者都可以从外部存储取信息供模型使用。Memory 更强调 Agent 交互和任务中需要延续的信息，RAG 更强调从知识来源检索证据；实现组件可以复用，资料也可以个性化。关键是分清信息来源、用途、权限和更新方式。

加了 Memory，模型就自动学会这些内容了吗？

应用通常是在推理时重新提供相关记录，并未因此更新模型参数。后续任务能否用到它，还取决于保存、检索和上下文组织；只有把数据库写满，而没有正确读取，也不能发挥记忆作用。

对应教程

参考资料