Agent 记忆五层模型与工程落地

对话式大模型 Agent 的「记忆」问题，本质就是：如何让机器像人一样，不只是即时回答，而是能记住过去、理解现在、影响未来。
过去两年，学术界和工业界已经逐渐形成一个共识：记忆需要分层，不同层次解决不同问题。下面我用一个五层模型，带你快速建立完整认知。


TL;DR

Agent Memory 的五层模型，就像人类大脑的结构化记忆系统。

  • 工作记忆负责即时
  • 情景记忆负责事件
  • 语义记忆负责知识
  • 程序性记忆负责技能
  • 外部持久记忆负责归档

业界工程实践已经逐步达成共识：分层 + 策略化 + 可控。这是未来对话式 Agent 真正“有记忆力”的基础。


1. 工作记忆（Working Memory）

  • 定义：Agent 当前正在处理的上下文，类似人类的「短时记忆」。
  • 特点：存活时间短、容量有限，常常就是一段对话上下文窗口。
  • 类比：你在和朋友聊天时，能记住刚才说的两三句话。
  • 实现方式：
    • LLM prompt 窗口（context window）
    • Scratchpad 技巧（中间步骤写出来）
  • 代表案例：LangChain 的 ConversationBuffer、ChatGPT 的当前对话历史。

2. 情景记忆（Episodic Memory）

  • 定义：记录「事件」和「经历」，带时间线，能追溯发生了什么。
  • 特点：和具体时刻挂钩，经常包含“失败/成功的经验”与“反思日志”。
  • 类比：你记得昨天在咖啡馆聊过天，记得过程和情绪。
  • 实现方式：
    • 把对话片段存档，并打上时间戳
    • 提炼重要片段（反思）作为索引
  • 代表论文：

3. 语义记忆（Semantic Memory）

  • 定义：长期积累的「事实、知识、用户画像」。
  • 特点：和时间无关，更像百科或人物设定。
  • 类比：你记得朋友喜欢喝拿铁，这是稳定的知识。
  • 实现方式：
    • 向量数据库（Qdrant、Weaviate、FAISS）存储事实与偏好
    • 知识图谱记录“人-事-关系”
  • 代表论文/项目：

4. 程序性记忆（Procedural Memory）

  • 定义：Agent 学到的「技能」或「操作套路」。
  • 特点：不是单纯事实，而是“知道如何做”。
  • 类比：你不用思考就能骑自行车、写一封邮件。
  • 实现方式：
    • 把常见操作总结成工具调用范式
    • 动态 Few-Shot 示例库（常用推理模板）
  • 工程案例：
    • LangGraph 中，Agent 会学习常用任务的状态流转
    • Copilot/AutoGen 把编辑-执行-调试形成可复用的模式

5. 外部持久记忆（External/Persistent Memory）

  • 定义：超越上下文的长期存储，像“硬盘”。
  • 特点：支持无限扩展，必须解决检索与整理问题。
  • 类比：你写日记、建笔记本，未来可以随时翻查。
  • 实现方式：
    • 向量库 + 图数据库 + 文档存储
    • 分层存储（高频缓存 vs. 历史归档）
  • 代表论文/工程：
    • MemGPT（2023）：提出“内存分页/中断”机制，像操作系统一样管理记忆
    • LangGraph × MongoDB（2024）：提供标准化的 Memory Store

工程落地的常见共识

1. 分层设计

人类的记忆本来就是分层的：我们能在几秒钟里复述一串电话号码，却会在多年后仍然记得一次重要的旅行。工程上的 Agent 也是这样。短期的、随时会遗忘的“工作记忆”，与长期的、可以反复翻阅的“档案室”，需要用不同的方式去保存与检索。于是，分层设计成为共识：即时信息放在快取里，长期知识则交给更稳定的存储系统。就像书桌上的便签和书架上的厚厚档案，功能完全不同，却缺一不可。

短期记忆 vs 长期记忆，采用不同存储与检索策略。

2. 写入策略

想象一下，如果我们把每一句废话都写进日记，很快就会被无穷无尽的记录淹没。Agent 也是如此，它不能也不应该记住一切。于是，工程师们给它设定了选择标准：只有重要的（关系到目标或用户画像）、新颖的（之前未曾出现）、高频的（重复多次的事实）才会进入长期记忆。换句话说，Agent 的记忆更像是一本精选集，而不是毫无筛选的逐字稿。

写入策略不是所有内容都要保存，只记“重要/新颖/高频”的。

3. 检索策略

当记忆被写入，另一个问题随之而来：如何在需要时找到它？最初的做法往往依赖语义相似度，把提问和记忆做 embedding 比较。但很快，人们发现这还不够。因为有些信息不仅要“像”，还要“新”——时间因素不可或缺；有些信息要靠“重要性”来区分，避免被琐碎淹没。所以今天的检索策略更像是一场多维度的评分：语义相关、时间新鲜、重要程度，三者一起决定结果。

检索策略不仅仅靠语义相似度，还要结合时间性和重要性。

4. 整理与巩固

长久使用下来，任何系统都会遇到“记忆漂移”的问题：重复、矛盾、甚至遗忘关键信息。解决办法和人类差不多——定期整理。工程实践里，这意味着定时运行批处理，把零散的对话压缩成主题摘要，把重复的事实合并为一个清晰的条目。就像我们清理电脑文件夹，把散落各处的文档归档成整洁的文件夹，方便未来的自己。

定期把零散内容压缩为摘要，避免“记忆漂移”

5. 透明与可控

最后，还有一个关乎信任的问题。人们普遍认为，Agent 的记忆不能是“黑箱”，用户必须能看见并掌控。用户应该知道系统记住了什么，也能在必要时删除、修改或屏蔽。ChatGPT、Claude 等主流产品已经在这一点上给出实践：用户可以进入设置界面，看到自己的“记忆”，甚至要求系统“忘掉”某些事实。这种透明和可控，不仅是工程最佳实践，更是赢得用户信赖的关键。

产品化下用户能看到、编辑甚至删除 Agent 的记忆。


延伸阅读与资料