← 返回首页

Agent记忆模块怎么设计的

发布时间: 2026-06-17
出自: 腾讯面试

设计 AI Agent（智能体）的记忆模块，核心目标是让 Agent 从“无状态的回复者”转变为“能够积累经验、提供个性化服务的智能合作者”。一个生产级的 Agent 记忆模块设计，通常需要围绕以下四个核心维度展开：

一、 记忆分类：明确“记什么”

参考认知科学，Agent 的记忆通常被划分为以下三大类：

  1. 语义记忆（Semantic Memory）：存储通用知识、产品规则和客观事实。这类记忆通常对所有用户共享，存储在共享知识库中。
  2. 情节记忆（Episodic Memory）：存储用户专属的历史交互信息（如过往决策、偏好、任务进度）。这类记忆必须按 user_id 隔离存储，确保隐私与个性化。
  3. 程序性记忆（Procedural Memory）：存储 Agent 的操作规则、工作流和成功经验。这类记忆通常会被固化为系统 Prompt 或技能文档（如 Hermes Agent 的技能记忆），让 Agent 能够复用经验，避免重复犯错。

二、 架构分层：解决“存多久”

为了平衡 Token 消耗与上下文连贯性，通常采用双层或三层架构：

  1. 短期记忆（Short-term Memory）：基于大模型的上下文窗口，通常采用“滑动窗口机制”保留最近 N 轮对话（如 10 轮）。它负责维持当前任务的连续性，会话结束后即失效。
  2. 长期记忆（Long-term Memory）：用于跨会话持久化存储。通常依赖外部存储，如向量数据库（支持语义检索）、关系型数据库（存储结构化用户档案）或知识图谱。
  3. 符号化/分层记忆（进阶架构）：为了解决长任务中的信息过载，先进的设计（如 AgentDB）会采用分层渐进式管道。将原始对话、原子事实、场景聚合、用户画像分为 L0 到 L3 四个层级。平时只加载高层摘要以节省 Token，需要考证细节时再精准召回底层原始记录，实现“可压缩、可展开、可追溯”。

三、 记忆管理闭环：决定“怎么读写”

一个完整的记忆系统包含四个关键步骤（Define -> Write -> Manage -> Read）：

  1. 定义（Define）：明确哪些信息值得记忆。过滤掉“今天天气真好”等无效信息，聚焦于用户的明确偏好、重要决策和关键事件。
  2. 写入（Write）：利用 LLM 从对话中自动提取记忆点，进行分类后写入对应的存储区。部分 Agent（如 Letta 风格）还支持自编辑式管理，主动调用函数将核心事实存入内存，将冗余信息归档到磁盘。
  3. 管理（Manage）：写入前必须进行冲突检测。通过计算语义相似度，决定是新增（ADD）、更新（UPDATE）、删除（DELETE）还是无操作（NOOP），避免同一信息的矛盾版本并存。
  4. 读取（Read）：每次对话开始时，先按用户 ID 过滤，通过向量检索提取相关度最高的记忆，格式化后注入系统 Prompt，再拼接短期记忆发送给 LLM。

四、 遗忘机制：防止“内存泄漏”

记忆应当是导向机制，而不是囤积者的阁楼。如果只有存储路径没有删除路径，随着时间推移，无关事实会主导检索结果，导致 Agent 性能下降。必须设计三种遗忘机制：

  1. 基于时间的衰减：用指数函数压低老旧、低频访问记忆的检索分数，使其不易浮现。
  2. 基于 TTL 的归档：将超过一定时间（如 90 天）未访问的记忆挪进冷存储，默认检索不碰，但支持显式查询。
  3. 矛盾扫描：周期性扫描冲突的活跃记忆并触发整合，防止 Agent 卡在过时偏好和当前偏好之间。

核心避坑：区分 Memory 与 RAG

在设计时，千万不要将 Memory（记忆）与 RAG（检索增强生成）混为一谈：

  • RAG 是从知识库中检索通用文档，解决的是“世界知道什么”的问题。
  • Memory 是存储和检索特定用户的历史信息，解决的是“我知道关于这个用户什么”的问题。 两者功能不重叠，在优秀的 Agent 架构中通常是并存且互补的。