第4章 记忆系统（Memory）
🧩 "没有记忆的 Agent，每次对话都是从零开始。记忆系统让 Agent 能够'记住'过去，提供真正个性化的体验。"
🎓 学习目标
完成本章学习后，你将能够：
- ✅ 理解 Agent 为什么需要记忆，以及不同记忆类型的用途
- ✅ 实现对话历史管理的多种策略（固定窗口、摘要压缩、向量检索）
- ✅ 使用 Chroma / FAISS 等向量数据库构建长期记忆
- ✅ 掌握工作记忆（草稿本模式）的设计与实现
- ✅ 构建一个具备持久记忆能力的个人助手 Agent
⏱️ 预计学习时间
约 90-120 分钟（含实战）
💡 前置知识
- 已完成第3章（工具调用）
- 了解向量相似度搜索的基本概念
- Python 面向对象编程基础
🔗 学习路径
前置知识：第3章 工具调用（Tool Use / Function Calling）
后续推荐：
- 👉 第5章 规划与推理（Planning & Reasoning） — 赋予 Agent "思考力"
- 👉 第6章 检索增强生成（RAG） — 用检索增强 Agent 的知识库
📚 本章结构
| 小节 | 内容 | 难度 |
|---|---|---|
| 4.1 为什么 Agent 需要记忆？ | 记忆的价值与挑战 | ⭐⭐ |
| 4.2 短期记忆：对话历史管理 | 滑动窗口、摘要压缩 | ⭐⭐ |
| 4.3 长期记忆：向量数据库 | ChromaDB、相似度检索 | ⭐⭐⭐ |
| 4.4 工作记忆：Scratchpad 模式 | 推理过程记录 | ⭐⭐⭐ |
| 4.5 实战：带记忆的个人助理 | 完整系统实现 | ⭐⭐⭐⭐ |
🚀 扩展项目
| 项目 | 简介 | Stars |
|---|---|---|
| supermemory | AI 时代的记忆与上下文引擎。支持自动事实提取、用户画像构建、遗忘曲线式记忆衰减、混合搜索（RAG + Memory）。在 LongMemEval、LoCoMo、ConvoMem 三大基准测试中均排名第一。提供 API、MCP 服务及 LangChain/LangGraph 集成。 | 17.5k+ |