Agent Memory
Agent Memory 让 Agent 能记住过去的交互和学到的信息。没有记忆的 Agent 每次对话都"失忆"，有了记忆才能真正个性化、持续学习。
① 一句话定义
Agent Memory（Agent 记忆）是 AI Agent 存储和检索历史信息的能力系统，使 Agent 能在多次交互中"记住"用户偏好、任务上下文和经验教训。与 LLM 的上下文窗口（一次性工作记忆）不同，Agent Memory 追求的是跨会话、可持久化、可检索的长期记忆。
② 为什么重要
没有记忆的 Agent 每次对话都是从零开始，就像一个每天失忆的助手：
- 个性化体验：记住用户的偏好、习惯和过去的需求，提供"千人千面"的服务。
- 任务连续性：一个持续三天的项目，Agent 需要记住第一天的决定来指导第三天的行动。
- 经验积累：从成功和失败中学习，避免重复犯同样的错误。
③ 核心机制
Agent Memory 通常采用分层架构：
1. 工作记忆（Working Memory）：当前任务上下文，存放在 LLM 的上下文窗口中。容量有限（受 Context Window 约束），读写最快。
2. 短期记忆（Short-term Memory）：当前会话中的历史交互，通过对话摘要或关键信息提取后持久化。通常存在向量数据库或 Redis 中，会话结束时写入。
3. 长期记忆（Long-term Memory）：跨会话的持久化信息，包括用户画像、重要事实、偏好设置。以"记忆条目"形式存储，每条记忆有 Embedding 用于检索 + 元数据用于过滤。
4. 记忆检索：当 Agent 需要回忆时，将当前上下文转为查询向量，在记忆库中检索最相关的条目。通常结合时效性（最近的记忆权重更高）和重要性（用户标记的重要信息优先）。
④ 典型应用场景
个人 AI 助手：记住用户的饮食偏好、工作习惯、重要日期，提供主动服务。
编程 Agent：记住项目架构、代码规范、上次重构的教训。
客服 Agent：记住客户的历史问题和偏好，避免重复询问。
教育 Agent：追踪学生的学习进度、薄弱环节和最佳学习方式。
⑤ 常见误区
误区：Agent Memory = Context Window 扩大
✅ 实际上：Context Window 是"当场记得"的容量，Agent Memory 是"需要时想起来"的系统。前者是内存，后者是硬盘+搜索。
误区：记的越多越好
✅ 实际上：不相关的记忆是噪音。Agent Memory 的核心挑战不是"存多少"，而是"该记什么、什么时候回忆、如何整合到推理中"。
「Agent Memory 让 AI 从"每次都是新朋友"变成"了解你的老朋友"——它能记住上次聊到哪了，也记得你喜欢早上喝拿铁而不是美式。
」