Agent 记忆模块（Memory）
别名：记忆系统短期记忆长期记忆Memory System Episodic Memory
| 分类 | 🧠 基础概念 |
| 阅读时间 | ⏱️ 22 分钟 |
| 更新时间 | 📅 2026-07-16 |
| 条目编号 | ENC-CONCEPT-15-agent-memory |
Agent 记忆模块是让智能体在多次交互、多个任务之间保持上下文与经验的能力组件。它弥补了 LLM 固定上下文窗口的缺陷，使 Agent 能记住用户偏好、历史决策与长期知识。
关键要点 ✦
- 记忆是 Agent 从「一次性问答」迈向「持续协作伙伴」的核心能力
- 短期记忆对应会话上下文，长期记忆对应跨会话的持久知识库
- 2026 年主流产品普遍采用分层记忆：工作记忆 + 语义记忆 + 情景记忆
- 记忆检索常结合向量数据库与元数据过滤，而非简单拼接全文
- 过度记忆会带来隐私与一致性风险，需要遗忘机制（Forgetting）
记忆的分层结构
生产级 Agent 的记忆通常分为三层。工作记忆（Working Memory）保存当前任务的推理链、工具返回与中间结论，等价于被压缩的上下文窗口。语义记忆（Semantic Memory）存储用户画像、通用知识与事实摘要，通常以向量或知识图谱形式持久化。情景记忆（Episodic Memory）记录具体发生过的历史交互，用于复盘与个性化。
三层之间需要调度策略：当上下文即将溢出时，Agent 会把工作记忆中的重要片段沉淀到语义/情景记忆，并在后续需要时检索回来。Hermes Agent、MaxHermes 等产品的「三层记忆架构」即此范式。
记忆的读写机制
写入发生在任务结束、用户确认偏好、或检测到高价值事实时，常以「记忆抽取（Memory Extraction）」子流程完成，把自然语言对话转化为结构化记忆条目。读取发生在每轮推理前，通过语义检索（Embedding + 相似度）拉取相关记忆注入系统提示。
为保证一致性，写入时需做去重与冲突检测（例如用户改了名字，旧记忆应被标记失效），读取时需按时间衰减与相关性排序。
与 RAG 的关系
记忆与 RAG 常被混淆。区别在于：RAG 面向外部知识库（文档、网页、数据库），解决「不知道」；记忆面向自身经验（用户、历史、偏好），解决「记不住」。
实践中二者常融合为「Agentic RAG + Memory」：RAG 负责检索世界知识，Memory 负责检索自我经验，共同构成 Agent 的认知底座。
🎯 应用场景
个性化助手
记住用户称呼、语气偏好、常用工具，提供「越用越懂你」的体验。
长周期任务
跨天/跨周的项目推进，依靠情景记忆续接上次进度。
团队知识沉淀
企业 Agent 把已解决的工单、决策 rationale 写入共享记忆供全员复用。
✅ 最佳实践
- 为长期记忆设置 TTL 与遗忘策略，避免上下文无限膨胀
- 写入前做敏感信息识别，PII 不应落入可全局检索的记忆库
- 提供用户「查看/删除我的记忆」入口，满足合规与信任
- 记忆检索结果应在回复中可溯源，让用户知道 Agent 基于什么「记得」
🔮 未来展望
记忆模块将向「自进化记忆」演进：Agent 不仅能记住，还能基于经验主动修正自身行为策略；同时隐私-preserving 的记忆（本地加密、差分隐私）会成为企业落地的门槛能力。
📖 相关条目
🛠️ 相关产品
🏷️ 标签Agent记忆Memory上下文长期记忆RAG