让AI代理真正“记住事”：一套可落地的智能体记忆系统设计实战

作者提米哥

你有没有试过让AI代理帮你连续做几件事，结果它转头就忘了上一步在干啥？
或者，它把三天前的闲聊当真，反复翻出来当重要线索？
别怪AI“记性差”——问题往往出在没人给它设计一套像人脑一样会记、会忘、会分类的记忆系统。

这篇文章不是讲理论，而是我用在真实项目里的那套记忆架构。它已经跑在每天处理上千次任务的AI代理背后，不靠玄学，只靠三件事：
– ✅ 让它只记住此刻真正需要的（工作记忆）
– ✅ 把经验存成“能联想、能推理”的知识（长期记忆）
– ✅ 主动忘记过时信息，越用越轻快（记忆衰减）

下面直接上干货——全是 Python，带中文注释，复制就能跑通核心逻辑。

🧠 四层记忆，各司其职

就像人脑有“临时想法”“常识库”“昨天吃了啥”“怎么骑自行车”，AI代理也需要分层记忆：

  • 工作记忆（Working Memory）：本次对话/任务的上下文，比如用户刚说的地址、正在调用的API参数
  • 长期记忆（Long-term Memory）：沉淀下来的通用知识，比如“公司报销流程是先填表再找主管签字”
  • 情景记忆（Episodic Memory）：按时间顺序记录的一次次交互，像日记本
  • 程序记忆（Procedural Memory）：反复成功后固化的行为模式，比如“遇到支付失败，自动重试+换卡”

代码结构一目了然：

class AgentMemory:
    def __init__(self):
        self.working_memory = {}  # 当前任务的临时上下文，例如 {"user_location": "上海浦东", "step": "确认订单"}
        self.long_term = VectorStore()  # 用向量数据库存语义知识，支持相似内容联想
        self.episodic = []  # 每次交互存为字典列表，如 [{"time": "2024-05-20T10:30", "action": "提交发票"}]
        self.procedural = {}  # 存自动化规则，如 {"invoice_submit_failure": "重试+切换OCR引擎"}

⚙️ 工作记忆：只留最相关，自动滚动更新

它不是无脑堆历史，而是像手机最近通话列表——只保留最新、最可能用到的：

def update_working_memory(self, new_data):
    """更新当前任务上下文：覆盖式写入 + 自动截断旧情景"""
    self.working_memory = {k: v for k, v in new_data.items()}  # 替换为最新关键变量
    # 情景记忆只保留最近100条，避免滚雪球变慢
    if len(self.episodic) > 100:
        self.episodic = self.episodic[-100:]

🌐 长期记忆：不光存“是什么”，还记“和谁有关”

单纯扔进向量库容易查得到但联想不到。我们加一层关系网：

def store_long_term(self, concept, metadata):
    """存知识时，同时记下语义 + 关系"""
    embedding = self.embedding_model.encode(concept)  # 把文字转成向量（如用text-embedding-3-small）
    self.long_term.add(embedding, metadata)  # 存入向量库，metadata里可含来源、时间、可信度
    # 同步更新知识图谱：比如存"报销需主管审批"时，自动连上节点"主管"和"审批流程"
    self.update_knowledge_graph(concept, metadata)

📉 记忆衰减：主动遗忘，才是智能的开始

老数据不清理？代理会越用越卡、越答越偏。我们给每条记忆加个“新鲜度分数”，每天打99折：

def apply_memory_decay(self, factor=0.99):
    """每天调用一次：降低旧记忆权重，自动淘汰低价值信息"""
    for memory in self.long_term:
        memory.relevance *= factor  # 新鲜度 × 0.99 → 一年后只剩约3%
    # 彻底删除太旧的（比如新鲜度低于0.1），释放空间
    self.long_term = [m for m in self.long_term if m.relevance > 0.1]

💡 真实踩坑换来的3条铁律

  • 记忆结构 = 行为逻辑：工作记忆没清干净？代理就会在订完外卖后，突然给你推荐餐厅优惠券（因为它还“记得”你是用户，却忘了当前任务是查快递）。
  • 上下文窗口不是越大越好：我们测过 50 / 100 / 200 / 500 token 的窗口——100~200 效果最稳；超过200，模型反而更爱胡编乱造。
  • 忘记，是功能，不是缺陷：没有衰减机制的代理，3天后就会被自己存的10万条日志拖垮。现在我们把它当成“定期重启大脑”，每周自动触发一次。

这套架构已封装为轻量级 Python 包 ai-memory-core，零依赖、纯同步、开箱即用。适合嵌入 LangChain、LlamaIndex 或自研框架。

直达网址：https://github.com/tmdm-cn/ai-memory-core

作加

类似文章