AI Agent 实战教程 06：Memory 记忆机制设计

Memory 是 AI Agent 能够连续工作的基础。没有记忆，Agent 每次都像第一次见到用户；有了记忆，Agent 才能理解历史、延续任务、保留偏好，并在长期协作中变得更有上下文。

但记忆也是一把双刃剑。保存太少，Agent 不够智能；保存太多，系统会变得混乱，还可能带来隐私和安全风险。因此，Memory 设计的重点不是“尽可能多地记住”，而是“在合适的时候记住合适的信息”。

短期记忆

短期记忆通常就是当前对话上下文。它帮助 Agent 理解最近发生了什么。

例如用户刚刚说“把这 10 篇文章整理成教程”，后续又说“绑定到刚才那个模块”，Agent 需要知道“刚才那个模块”指什么。

短期记忆适合保存：

• 当前任务目标；
• 最近对话；
• 工具调用结果；
• 用户刚给出的约束；
• 临时中间产物。

短期记忆的问题是上下文窗口有限。任务越长，历史越多，模型越难关注关键内容。因此长任务需要状态摘要，而不是无限保留所有对话。

长期记忆

长期记忆保存跨会话信息，例如用户偏好、项目背景、常用工具、历史决策。

比如用户经常要求“每篇文章标签不要超过 3 个”，这个偏好就可以进入长期记忆。以后创建文章时，Agent 就能自动遵守这个规则。

长期记忆适合保存稳定信息，不适合保存临时情绪、一次性指令或未经确认的敏感数据。

向量记忆

向量记忆通常使用 Embedding 和 Vector Database。系统把历史信息转成向量，之后根据当前任务检索相关记忆。

它适合保存大量非结构化内容，例如：

• 历史对话摘要；
• 会议纪要；
• 项目文档；
• 用户反馈；
• 操作经验。

当用户提出新任务时，系统检索相关记忆，把结果放入上下文，帮助 Agent 做出更符合历史背景的判断。

记忆写入策略

最容易出问题的是“什么时候写入记忆”。如果每句话都写入，记忆库会很快充满噪音。如果完全不写，Agent 又无法持续学习。

常见策略包括：

• 用户明确说“记住”；
• 系统识别到稳定偏好；
• 任务完成后生成摘要；
• 用户确认后写入长期记忆；
• 对重复出现的信息提升权重。

对于重要记忆，最好让用户可见、可编辑、可删除。

记忆读取策略

读取记忆也需要控制。不是每次都读取所有记忆，而是根据当前任务检索相关内容。

例如写 AI Agent 教程时，应该检索用户对文章风格、标签数量、图片来源的偏好，而不需要读取无关的历史任务。

好的读取策略应该考虑相关性、时效性、权限和信息密度。

隐私与安全

Memory 可能包含敏感信息，因此必须设计安全边界。

需要考虑：

• 用户是否知道系统记住了什么；
• 用户能否删除记忆；
• 敏感数据是否脱敏；
• 不同用户之间是否隔离；
• Agent 是否会把记忆泄露给不该看到的人；
• 长期记忆是否有过期机制。

没有这些设计，Memory 会从能力变成风险。

小结

Memory 让 Agent 更连续、更个性化，也更像一个长期协作伙伴。但记忆系统必须可控、可解释、可清理。真正可靠的 Agent 不会什么都记，而是知道什么值得记、什么时候用、什么时候忘。