AI Agent记忆系统详解：短期/长期/外部记忆怎么实现？

记忆是Agent智能的核心

一个没有记忆的Agent，每次对话都从头开始。它不记得你上一句说了什么，更不记得上周交代的任务。

Agent的记忆分三个层次：

1. 短期记忆（对话上下文）

短期记忆就是当前对话的完整历史。LLM的上下文窗口就是短期记忆的物理限制。

实现方式： 把所有历史消息拼接成prompt传给LLM

问题： 上下文窗口有限（128k tokens），超了就被截断。

解决方案： - 滑动窗口：只保留最近N轮对话 - 摘要压缩：把早期对话总结成几句话

2. 长期记忆（跨会话记忆）

长期记忆让Agent记住不同会话之间的信息——你的名字、偏好、之前交代的任务。

实现方式：

# 用向量数据库存记忆
memory_store.add(
    text="用户叫张三，喜欢简洁的回答",
    metadata={"type": "user_preference", "user_id": "zhangsan"}
)

3. 外部记忆（知识库/RAG）

外部记忆就是Agent能访问的文档和数据。这是RAG的核心。

记忆系统的架构

用户输入 → 短期记忆（当前对话）
                  ↓
           Agent判断是否需要查长期记忆
                  ↓
           向量检索 → 返回相关记忆
                  ↓
           Agent生成回答
                  ↓
           更新短期记忆 → （可选）更新长期记忆

总结

Agent的记忆分三层。短期记忆保证对话连贯，长期记忆记住用户偏好，外部记忆提供知识。 三层叠加才是完整的Agent记忆系统。