Agent 记忆Agent Memory

是什么

Agent 记忆的核心机制是分层。短期记忆即上下文窗口内的对话与工具调用结果。长期记忆采用向量库、图库或关系库等外置存储，实现跨会话可用，两者之间通常设计有会话级摘要。与 RAG 检索静态知识库不同，记忆检索针对本用户或任务的历史，具备动态更新与个性化特征。

长期记忆依赖写入与检索机制。写入阶段，通常由模型判断抽取用户偏好、事实或决策等信息，经过去重校验后存入。检索阶段，系统通过语义向量召回记忆，并结合时间与重要性排序。由于错误记忆会污染后续决策，系统需要引入可信度标注与衰退遗忘机制，以维护记忆质量。

解决什么问题

大语言模型的上下文窗口有限，且在单次会话结束后，窗口内的短期记忆会直接丢失。这种机制导致模型无法在多次交互中记住用户特征与过往决策。

Agent 记忆系统补上了跨会话持久化存储的能力。通过外置记忆系统，Agent 能够在长期交互中积累经验，实现个性化表现，避免每次新会话重复获取基础信息。

面试怎么考

面试常考察记忆系统的整体架构，例如记忆系统怎么设计、为什么要分级。答题时应重点阐述按生命周期划分的记忆层级，以及对应的存储介质。

针对具体机制的考法包括记忆怎么写入校验与评估、记忆混乱怎么优化，以及记忆检索和 RAG 检索的区别。回答写入与优化时，需强调抽取去重、可信度标注与遗忘机制；回答与 RAG 的区别时，需点明 RAG 侧重静态全局知识，记忆侧重动态个人历史。

又称：Agent Memory · Agent 记忆 · 长期记忆 · 短期记忆