Agent 记忆系统：从短期到长期

记忆类型概览

Agent 需要记忆来维持连贯性与个性化。按时间跨度和用途，可分为：

短期记忆（Working Memory）

• 范围：当前会话或最近若干轮对话
• 实现：通常保存在内存中的 messages 列表，直接作为 LLM 的 context
• 特点：容量有限（受上下文窗口限制），会话结束即丢失
• 优化：滑动窗口、摘要压缩，将早期对话压缩为摘要再拼接

长期记忆（Long-term Memory）

• 范围：跨会话、跨用户（若支持多租户）
• 实现：持久化到数据库、向量库、图数据库等
• 内容：用户偏好、重要事实、历史决策、关系网络
• 检索：按语义或元数据检索，在需要时注入当前上下文

情景记忆与语义记忆

• 情景记忆：具体事件（如「上周用户询问过 X」），带时间、主体等元数据
• 语义记忆：抽象知识（如「用户偏好简洁回复」），可泛化到新场景

Mem0 简介

Mem0 是一个开源的 Agent 记忆框架，提供：

• 自动提取：从对话中识别可存储的记忆（事实、偏好、承诺等）
• 存储与索引：支持向量存储、图存储等多种后端
• 检索：根据当前 query 检索相关记忆，注入 Prompt
• 更新与遗忘：支持记忆的修正、合并，以及基于时间或重要性的遗忘策略

集成方式简单，可作为 LangChain/LlamaIndex 的 memory 组件使用。

向量存储在记忆中的应用

向量存储适合「语义检索」型记忆：

编码：将记忆文本通过 Embedding 模型转为向量

存储：写入 Pinecone、Qdrant、pgvector 等

检索：用户提问时，将 query 编码，检索 Top-K 相似记忆

元数据：为记忆附加 user_id、timestamp、type 等，支持过滤

结合 Reranker 可进一步提升召回质量。

设计建议

• 短期记忆控制长度，避免超出上下文窗口
• 长期记忆要有明确的写入策略，避免噪声积累
• 为用户提供「查看/删除记忆」的能力，符合隐私与可控性要求
• 记忆更新与遗忘策略要可配置，适应不同业务场景

小结

从短期对话上下文到长期持久化记忆，Agent 记忆系统决定了其连贯性与个性化程度。Mem0 与向量存储为长期记忆提供了现成方案，合理设计写入、检索与遗忘策略，可构建可持续学习的 Agent 系统。