为什么 Agent 需要记忆？

想象一个助理，每次你找他，他都把你忘得一干二净——你是谁、你的工作是什么、你上次交代了什么任务。这样的助理，根本无法提供真正的帮助。

没有记忆的 Agent：反复重复的痛苦

# 没有记忆的 Agent 对话示例
user: "我叫张伟，是一名 Python 开发工程师"
agent: "你好！有什么可以帮你的？"

user: "帮我写一个函数"
agent: "好的，请问您需要什么功能的函数？"

# 第二天...
user: "昨天那个函数有个 bug"
agent: "抱歉，我不了解您之前的对话内容。
       请问您需要帮助修复什么函数？"  # 完全忘记了！

这种体验让用户感到沮丧，也限制了 Agent 能处理的任务复杂度。

记忆系统的三个层次

Agent 的记忆系统类比人类记忆，分为三个层次：

记忆系统层次图

短期记忆（Short-term Memory）

  • 类比：工作时桌面上放的文件
  • 内容：当前对话的消息历史
  • 特点：容量有限（受 Context Window 限制），会话结束后消失
  • 用途：维持多轮对话的连贯性

长期记忆（Long-term Memory）

  • 类比：文件柜里存放的档案
  • 内容：用户偏好、重要信息、历史对话摘要
  • 特点：持久存储，跨会话访问，容量大
  • 用途：个性化服务、知识积累

工作记忆（Working Memory / Scratchpad）

  • 类比：草稿纸
  • 内容：当前任务的中间推理步骤
  • 特点：任务进行时存在，完成后可清空
  • 用途：复杂多步骤推理，避免"重复推理"

记忆失效的典型场景

理解什么时候"没有记忆会出问题"，有助于决定在哪里加入记忆系统：

# 场景1：偏好遗忘
# 用户说过"我喜欢简洁的代码，不加注释"
# 但下次对话 Agent 又开始写大量注释

# 场景2：上下文断裂
# 用户正在讨论一个复杂问题，对话太长超出 Context Window
# Agent 开始忘记对话开头说过的内容

# 场景3：重复学习
# 用户每次都需要介绍自己和背景
# Agent 无法积累对用户的了解

# 场景4：任务连续性
# 用户要求"继续上次我们讨论的方案"
# Agent 不知道上次讨论了什么

记忆系统设计的核心挑战

1. Token 限制

# Context Window 限制了短期记忆的大小
# GPT-4o 有 128K Token 的上下文
# 但长对话 Token 消耗快，成本高

# 解决方案：
# - 滑动窗口：只保留最近 N 轮对话
# - 摘要压缩：将旧对话压缩为摘要
# - 向量检索：从长期记忆中检索相关片段

2. 什么值得记忆

# 并非所有信息都值得存储
# 要记忆的：
keep_memory = [
    "用户姓名、职业、偏好",
    "重要决策和结论",
    "用户自定义的规则（如代码风格）",
    "正在进行的项目信息",
]

# 不需要记忆的：
skip_memory = [
    "日常闲聊",
    "重复的问候",
    "临时性的查询",
    "已过期的信息",
]

3. 记忆的准确性

# 存入记忆的信息可能是错误的
# Agent 需要具备：
# - 更新记忆的能力（用户更正偏好）
# - 区分事实和推测
# - 记忆来源追溯

小结

记忆系统是 Agent 实用性的核心：

  • 短期记忆：维持当前对话连贯性
  • 长期记忆：跨会话积累知识
  • 工作记忆：支持复杂推理任务
  • 核心挑战：Token 限制、选择性记忆、准确性

📖 想深入了解记忆系统的学术前沿？ 请阅读 5.6 论文解读：记忆系统前沿进展，涵盖 Generative Agents、MemGPT、MemoryBank、CoALA 四篇核心论文的深度解读。

下一节：5.2 短期记忆：对话历史管理