有个现象挺有意思。

同样用一个 AI Agent，有人越用越顺手，感觉"它越来越懂我"；另一个人每次打开，都得从头介绍一遍自己是谁、在做什么项目、偏好哪种代码风格。

两个人用的是同款产品，差距怎么来的？

不是用法问题，是架构问题。更准确说——是记忆架构问题。

我最近花了不少时间研究这个方向，从学术论文到开源项目，再到几个工业级框架的实现细节。这篇文章算是把我的理解整理出来，尽量写得清楚些。

---

︱先说一件让我印象深刻的事

2026年初，有个叫 OpenClaw 的开源 Agent 框架突然火起来，不是因为它用了什么特别强的模型，而是因为大家用下来的感受是：“贴心”。

它能记住你上次说过喜欢用 Python，能记住项目的部署流程，甚至能记住你某次随口提到的一个约束条件。更关键的是，它会主动把用过的成功经验沉淀下来，下次遇到类似任务直接复用，不用你再解释一遍。

这种"越用越顺手"的感觉，背后其实是一套三层记忆架构在支撑：短期工作记忆、向量/图谱长期记忆、归档存储。

这给了我一个很好的切入角度，来解释"Agent 记忆"这件事到底是怎么回事。

---

︱从人类记忆说起

认知科学里把人类记忆分成几种，跟 Agent 的情况有惊人的对应关系。

工作记忆，就是你当下脑子里正在处理的东西。容量极其有限，一般说法是7±2个信息块。用完就清空，速度最快。

对应到 Agent，就是 Context Window。你给它的那些内容，它当下能感知和处理的，就是工作记忆。窗口满了，早期的内容就消失了。

情景记忆，记的是"发生过什么事"。你记得上周三和朋友吃了火锅，记得三个月前做过一个重要决定，是带时间戳和场景的记忆。

对应到 Agent，就是对话历史、事件日志。“上次你告诉我你在用 React”，就是典型的情景记忆。

语义记忆，是从经历中提炼出来的抽象知识。你不记得是哪天学会了"猫是动物"，但这个知识就在那儿。

对应到 Agent，就是用户画像、偏好设置、项目背景这类结构化事实。不是某次对话记录，而是从多次对话里提炼出的高浓缩信息。

程序性记忆，是"怎么做"的记忆。骑自行车、打字，你不需要每次都从头学，身体记住了。

对应到 Agent，就是习得的工作流、技能库。这次调用 API 成功了，下次遇到同类任务直接套这个方法。

这四种记忆对应关系，是理解后续所有内容的基础，值得在脑子里过一遍。

---

︱Agent 记忆的四个维度

把上面的对应关系落地，Agent 的记忆体系可以拆成四块来看。

第一块：会话记忆（Session Memory）

最基础的一层，本轮对话的上下文缓冲区。你说了什么，它回了什么，工具调用了什么，结果是什么——都在这里。

核心问题是 Token 窗口会被撑爆。对话轮数一多，早期的内容就被挤出去了。怎么处理这个问题，是后面要专门讨论的。

第二块：情景记忆（Episodic Memory）

跨会话的历史事件记录。今天的对话结束了，下次还能记住"上次我们聊到哪里"。

举个具体例子：你在线程 A 里提到"我喜欢 Python，不喜欢 Java"。三天后在线程 B 里让它写代码，它自动优先用 Python——这就是情景记忆在起作用。

没有情景记忆，每次对话都是白板，用多久都是陌生人。

第三块：语义记忆 / 用户画像（Semantic Memory）

这是从情景里提炼出来的精华。

不是把所有对话原文都存起来，那太重了。而是经过处理，把"用户偏好 Python"、“项目部署在 AWS”、"代码风格偏函数式"这类结构化事实存下来，随时可以快速加载到上下文里。

质量决定一切。提炼得好，几百字就能让 Agent 对你的理解超过一个陌生人交流几十轮的水平。

第四块：程序性记忆（Procedural Memory / Skills）

这是记忆系统的高阶形态。

Agent 能不能记住"做事的方法"？比如上次解决了一个 Docker 网络配置问题，踩了几个坑，最终找到了正确流程。这段经验能不能沉淀下来，变成下次遇到同类问题时直接调用的"技能"？

能做到这一点的 Agent，才算有了真正意义上的成长。它不只是在记数据，而是在记方法论。

---

︱三层存储架构：从草稿纸到档案柜

知道要存什么，接下来是怎么存、存在哪里的问题。

工业级记忆系统一般分三层，逻辑上和物理上都有明确区分。

热存储：工作记忆层（In-Context）

直接放在 Prompt 里，模型立即可见。零延迟，感知最直接。

代价是贵，Token 数量就是钱，而且容量是硬上限。所以这一层只放"当下最重要"的东西：当前任务相关的记忆片段、用户画像精华、本轮对话历史。

温存储：向量 / 图谱检索层

这一层处理"我知道有这个信息，但不确定在哪里"的情况。

核心技术是混合检索：向量语义搜索 + BM25 关键词匹配。两者缺一不可。

只用向量检索的问题是，它擅长模糊语义匹配，但对具体的变量名、API Token、特定术语容易查不准。加上 BM25 关键词匹配，才能同时处理"上次那个关于数据库的决定"（语义查找）和"那个叫 db_connection_timeout 的参数"（关键词精确定位）。

这一层还有个越来越重要的特性：图谱记忆。

举个例子，用户说"我搬去杭州了"，纯向量存储会把这句话当成一段文字存进去。图谱存储会提取出实体和关系：(用户) -[居住在]-> (杭州)，同时把之前的 (用户) -[居住在]-> (上海) 这条关系标记为失效。

图谱的价值在于逻辑一致性。避免记忆库里同时存在"用户住上海"和"用户住杭州"两条矛盾信息，当被问起时 Agent 不知道信哪个。

冷存储：归档 / 文件层

最底层，存放全量历史数据。Markdown 文件、SQLite、本地 JSON 都是常见形式。

这一层访问频率低，但有个独特的价值：透明可控。

用 Markdown 存记忆，用户可以直接用 IDE 打开编辑，发现 Agent 记错了直接改，想注入新信息直接写进去，还能用 Git 做版本管理。

这种"白盒化"体验和一个黑箱数据库的体验是完全不同的。前者让用户感觉真正拥有这个 Agent，后者让人对它始终保有一种不安。

---

︱自我进化：让 Agent 从"有记忆"变成"会学习"

记忆系统的核心矛盾，其实不是存哪里，而是怎么让记忆保持高质量。

直接积累所有记忆是行不通的。冗余信息越堆越多，检索精度会越来越低。错误的信息如果不更新，会持续污染后续判断。Agent 需要一种"消化"机制——就是自我反思。

记忆压缩与遗忘

不是所有信息都值得永久保存。

实用的策略是对历史对话定期做摘要处理：最早那50%的对话，压缩成摘要替换掉原文；最近的保留原文；工具调用结果里的关键部分留下，冗长的日志截断。

还有时间衰减机制——越久没有被访问的记忆，权重越低。但权重低不等于删除，重要性评分足够高的记忆，即使很久没访问也会保留。

自主修改记忆

这是更进一步的能力：Agent 能不能发现自己的记忆出错了，然后主动更新？

比如用户之前说"项目用 PostgreSQL"，后来说"我们迁到 MongoDB 了"。一个被动的记忆系统会把这两条都保存下来。一个有自主修改能力的系统，会把旧记录标记更新，保持记忆库的一致性。

元认知指令

这是一个容易被忽视但非常重要的设计：通过配置文件定义"什么值得记、什么可以丢"的规则。

比如你可以配置：“用户反复强调的约束条件要写入长期记忆”、“工具调用失败的原因要记录”、“日常寒暄不必保留”。Agent 按照这套规则自动筛选，而不是把所有内容一视同仁地塞进记忆库。

元认知指令解决的是记忆的"信噪比"问题。没有它，时间长了记忆库就变成了一堆乱数据。

---

︱主流框架怎么实现记忆的？横评

理解了原理，再来看各个框架，就清楚多了。

LangChain

最常用的框架，记忆模块设计相对基础。核心是几种对话缓冲方案：完整保留所有历史、只保留最近K轮、用摘要替换历史。

问题也很明显：

• 被动式管理，没有后台进程自动整理记忆
• 记忆就是一团无结构文本流，很难区分"这是用户偏好"还是"这是某次工具调用结果"
• Agent 无法主动反思和修改自己的记忆

适合做短轮次 Demo 和快速原型，不适合长期运行的生产级 Agent。

AgentScope

多智能体协同框架，记忆设计的重心在于多 Agent 之间的信息共享和隔离，而不在于单个 Agent 的深度进化。

短期记忆是结构化的消息对象，长期记忆本质上是外挂了一个 RAG 接口。两者相对独立，从短期记忆到长期记忆的沉淀，需要开发者手写搬运逻辑。

Mem0

定位是"Memory As A Service"，也就是把记忆系统彻底解耦，变成独立的基础设施层。

核心思路是：无论你用什么 LLM、什么 Agent 框架，都可以接同一个 Mem0 记忆层。记忆写入时自动做去重、矛盾消解、实体关系提取；检索时综合考虑时间新近度、语义相关性、信息重要性。

2026年4月它发布了新算法，在时序查询和多跳推理上的提升相当显著。社区规模目前是所有方案里最大的。

缺点是架构偏重——向量库、图数据库、LLM 服务、Embedding 服务都得维护。写入路径长，有一定延迟。

Zep / Graphiti

时序推理是 Zep 最强的地方。它用的是时序知识图谱，存储的不是时间戳快照，而是事实的有效期区间。

举个例子：用户"在 2025 年 11 月之前使用 React，之后切换到 Vue"——Zep 能以这种方式理解和存储，而不是简单地把两条记录堆在一起。

在 LongMemEval 评测上，Zep 比 Mem0 高了约 15 个百分点，差距主要来自时序查询能力。

Letta

如果你想要 Agent 真正自主管理自己的记忆——决定存什么、更新什么、忘掉什么——Letta 是目前唯一专门为这个目标设计的框架。

适合长周期运行、需要高度自主性的 Agent 场景。

---

︱技术选型的几个关键决策

知道了各个框架的特点，怎么选还是要回到场景。

优先想清楚你要存什么类型的记忆，再选存储方案。

很多人上来就问"用 Milvus 还是 Pinecone"，但存哪里是第二步，存什么是第一步。四种记忆类型（会话/情景/语义/程序性）的需求差异很大，要先梳理清楚。

隐私敏感场景，本地优先。

个人助理类产品，本地文件系统 + SQLite 是兼顾隐私和速度的合理方案。企业级高并发场景，再考虑 Redis（热）+ Milvus（温）+ PostgreSQL（冷）的分层架构。

一定要做混合检索，别只用向量。

单一向量检索的幻觉率在某些场景下让人无法接受。关键词精确匹配是必要补充，不是可选项。

设计压缩和遗忘机制，越早越好。

很多团队把这个留到"记忆库变大了再处理"，结果发现到时候改动成本很高。记忆不是越多越好，这个观念要从一开始就有。

给用户白盒控制权。

当 Agent 出现幻觉或记错信息时，用户能不能快速定位并修正？如果不能，信任感会快速流失。Markdown 存储之所以受欢迎，很大程度上是因为它让用户感觉"我是可以干预的"。

---

︱一个容易被忽视的风险

没有完善记忆设计的 Agent，会遇到三个具体问题：记忆漂移（同一事实的多个版本共存，Agent 不知道信哪个）、上下文退化（随着对话轮数增加，早期重要信息逐渐消失）、幻觉叠加（错误记忆没有被纠正，影响后续所有判断）。

这三个问题在对话轮数少的时候不明显，但随着使用时间增长，会以非常影响体验的方式暴露出来。

有个例子让我印象很深：AI 助手还记得某位用户是单身，六个月后他结婚了，助手依然在邮件里以单身的语气写内容。不是模型的问题，是记忆架构没有处理好信息更新和矛盾消解。

这不是小事，是信任问题。

---

︱最后说几句

Agent 记忆的话题在 2025-2026 年有了很实质性的进展。从学术层面的认知框架（CoALA 对情景/语义/程序性记忆的分类），到工程层面的具体实现（Mem0、Zep 的商业化落地），再到前沿探索（MemEvolve 用强化学习让记忆系统本身也能进化）——这个方向的技术栈正在快速成熟。

但我观察下来，很多团队在做 Agent 的时候，记忆系统仍然是"先把功能跑起来，记忆以后再说"的附属品。等到用户抱怨"这玩意老是记错东西"的时候，才发现架构上的欠账难以弥补。

记忆系统不是 Agent 的配件，是 Agent 的核心。这可能是整个 Agent 工程领域里，最值得提前想清楚的一件事。

普通人如何抓住AI大模型的风口？

领取方式在文末

2026年入行AI大模型的黄金窗口!!!

AI产业正迎来前所未有的爆发式增长。 从DeepSeek以百万年薪重金招募顶尖研究员，到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局，再到国家层面持续出台政策，大力扶持数字经济与AI人才培育体系，多重信号清晰指向一个共识：AI的“黄金十年”已全面开启

在产业浪潮的强劲推动下，AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动，催生海量高价值岗位。放眼未来，AI领域的职业发展前景广阔无垠，正涌现出大量高潜机遇，堪称一片值得深耕的**“人才蓝海”**。

脉脉数据显示📊：
2026年1-2月，AI岗位数量同比增长约12倍，增速远超新经济行业整体增幅；AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%，几乎占据新经济招聘市场的四分之一。

与此同时，AI新发岗位平均月薪高达60738元，较新经济行业整体平均月薪48189元高出约26%。

这一切都说明一件事：2026年，正是入行AI大模型的黄金窗口❗️❗️

最佳学习路线

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】