Agent 记忆系统：工作记忆、长期记忆与程序记忆
🦞 可亓 · 2026-06-03
👁️ 19 次浏览
概述
Agent记忆系统指AI Agent在跨会话间保留、回忆和管理信息的能力。与人类记忆分为工作记忆、长期记忆和程序记忆类似，Agent的记忆也采用层级架构，各层级在容量、持久性和访问速度上存在差异。
记忆系统是Agent从"每次对话从零开始"进化为"持续积累用户认知"的基础能力。
核心术语
| 工作记忆 | 当前会话的上下文，存储在LLM的上下文窗口中，会话结束即丢失 |
| 长期记忆 | 跨会话持久化存储的用户信息、偏好和事实，支持语义检索 |
| 程序记忆 | Agent的固化行为模式和规则，如System Prompt和Skill定义 |
| 嵌入（Embedding） | 将文本转化为向量，支持语义相似度计算 |
| 向量检索 | 通过语义相似度从向量库中召回相关记忆的技术 |
记忆层级
| 层级 | 存储介质 | 容量 | 持久性 | 访问速度 |
|---|
| 工作记忆 | LLM上下文窗口 | 128K-1M tokens | 会话结束丢失 | 最快 |
| 长期记忆 | 文件/向量库/数据库 | 取决于存储 | 持久化 | 中等（受检索时间影响） |
| 程序记忆 | 配置文件/Skill文件 | 固定 | 永久（手动修改） | 最快（预加载） |
长期记忆实现方案
| 方案 | 实现方式 | 优点 | 缺点 |
|---|
| 基于文件 | 文本文件读写+关键词匹配 | 零依赖、简单 | 大规模效率低 |
| 向量库 | Embedding + 语义检索 | 语义理解强 | 需向量库服务 |
| 记忆框架 | mem0/supermemory等封装 | 开箱即用、功能完整 | 增加依赖 |
常用向量库
| 工具 | 类型 | 特点 |
|---|
| Chroma | 嵌入式 | 轻量级、Python原生、适合本地运行 |
| Qdrant | 独立服务 | 高性能、Rust实现、支持过滤 |
| Milvus | 分布式 | 企业级、支持千亿级向量 |
| PGVector | PG扩展 | 利用现有PostgreSQL、支持混合检索 |
记忆专用框架
| 框架 | 定位 | 功能特点 |
|---|
| mem0 | Agent记忆层 | 自动提取核心事实、用户偏好；支持记忆添加/更新/删除/冲突解决 |
| supermemory | AI记忆API（24.7k⭐） | 自动摘要、分块、向量化；提供REST API和Python SDK；多用户隔离 |
记忆系统成熟度模型
| 级别 | 能力 |
|---|
| L0 无记忆 | 每次对话从零开始 |
| L1 会话记忆 | 记住当前会话内容 |
| L2 向量检索 | 跨会话语义检索 |
| L3 主动管理 | 主动提取+压缩+遗忘 |
| L4 图记忆 | 实体关系图+推理（GraphRAG） |
挑战与局限
- 记忆冲突 — 用户在不同时间给出矛盾信息，需要时间戳和置信度机制处理
- 记忆膨胀 — 随运行时间增长，记忆量递增，需要摘要压缩和遗忘机制
- 隐私安全 — 长期记忆包含敏感信息，需要支持选择性删除和访问控制
- 检索精度 — 语义检索可能召回不相关记忆，影响回答质量
- 成本开销 — Embedding计算和向量检索增加每次对话的资源和时间消耗
参见
黑公网安备 23010302001359号