Memory 记忆系统——让 Agent 记住用户

这是「Agent 工程化」系列的第五篇。上一篇我们讲了上下文管理，但那只解决"一次会话内"的问题：会话一关，上下文清空，什么都留不下。这篇讲跨会话的记忆——Memory 记忆系统，让 Agent 真正"记住"用户。

---

失忆现场 2.0：换个会话，什么都不记得了

先看一个比第四篇更气人的场景：

昨天下午
用户：帮我订一张下周五去北京的机票
助手：好的，需要靠窗还是过道？
用户：靠窗吧
（会话结束，上下文清空）

今天上午
用户：下周五去北京的机票，帮我再看看
助手：好的，请问需要靠窗还是过道？
用户：？？？我昨天刚说了靠窗啊！

第四篇的"失忆"发生在一个长会话内部；这次的"失忆"发生在两个会话之间——昨天聊得再好，今天开新会话，一切归零。

这不是 bug。上下文就是一块"便签纸"，会话结束就扔。要让 Agent 记住昨天的事，得把信息从便签纸抄进"笔记本"——这就是记忆系统。

---

Memory 的本质：三件事

记忆系统听起来高大上，拆开就三个问题：

问题	通俗说法	对应能力
存储	记在哪	数据库 / 向量库
写入	什么值得记	写入门槛
检索	怎么想起来	检索注入

一句话：对话时把值得记的存下来，下次会话开始时捞回来用。 就这么简单。

---

记忆分层：短期、工作、长期、语义

“记忆"不是一种，业界通常分四层——从"马上忘"到"记得最久”：

层级	生命周期	内容	存哪	谁负责
短期记忆	本次会话	刚说的酒店名、当前问题	上下文窗口	上下文管理（第 4 篇）
工作记忆	当前任务	5 日游行程进行到哪一步	任务状态	Agent 内部状态
长期记忆	跨会话	用户偏好：靠窗、怕红眼航班	数据库	Memory 系统（本篇）
语义记忆	长期沉淀	抽象出的经验规则	向量库/数据库	Memory 系统

对比一下人类记忆，很好理解：

• 短期记忆：正在看的一段话——对应上下文窗口
• 工作记忆：正在做的一件事进行到哪——对应任务状态
• 长期记忆：去年去过三亚，喜欢靠窗——对应持久化存储
• 语义记忆：总结出的规律"这位用户不喜欢红眼航班"——对应沉淀的经验

注意前两层（短期、工作）跟第四篇是一回事，后两层（长期、语义）才是本篇的主角。 很多人把"记忆系统"理解成"把对话存下来"，那是存对话原文，不是记忆——记忆是从对话里提炼出来的、跨会话还有用的结论。

---

核心机制一：什么该记（写入门槛）

最大的坑是"全都记"。如果每句话都存，记忆库很快就塞满几百条没用的内容——这比不记还糟（后面踩坑部分细讲）。

写入门槛：只有"这次对话结束后，下次还有用"的信息才值得存。判断标准很简单，看两类：

该记（长期有用）	不该记（一次性/临时）
明确偏好：靠窗、不要辣、怕红眼航班	临时闲聊：今天天气不错
重要事实：已订 MU5101、行程在哪儿	一次性问题：现在几点
重复出现的行为：每次都选经济舱	过期信息：这周三去出差

一个简单的实现示意：

import json, time

DB = {}  # user_id -> list of memories

def remember(user_id: str, content: str, importance: int = 1):
    """写入门槛：只存有长期价值的信息"""
    DB.setdefault(user_id, []).append({
        "content": content,
        "ts": time.time(),
        "importance": importance,   # 1-5，越高越重要
    })

实际生产里，“提炼记忆"这个动作可以交给 LLM 做——每轮对话结束后，让模型判断一句"本轮有没有值得长期记住的用户偏好或事实？有就输出，没有就输出 None”。

---

核心机制二：怎么想起来（检索注入）

存了记忆，新会话开始时要把相关的捞回来。不能把几百条记忆全塞给模型（会淹没重点），要检索最相关的 Top-K 条。

def recall(user_id: str, query: str, top_k: int = 5) -> list:
    """简单实现：关键词匹配 + 重要度排序"""
    mems = DB.get(user_id, [])
    scored = []
    for m in mems:
        score = m["importance"]
        if query and query in m["content"]:
            score += 10            # 命中关键词，加权重
        scored.append((score, m))
    scored.sort(reverse=True)
    return [m for _, m in scored[:top_k]]

def build_context(user_id: str, user_input: str) -> list:
    mems = recall(user_id, user_input)
    block = "关于这位用户，我记得：" + "；".join(m["content"] for m in mems)
    return [{"role": "system", "content": block},
            {"role": "user", "content": user_input}]

注入时机在会话开始：

检索质量决定记忆效果：上面是关键词匹配（够 Demo 用），生产里常用向量相似度（把记忆和提问都转成向量，算语义相近程度），这个后面 RAG 篇会详细讲——记忆检索和知识库检索用的是同一套技术。

---

生产级考虑：记忆的维护

记忆不是存进去就完了，要维护，三个生产级问题：

1. 记忆过期清理

不是所有记忆都永久有效。要有生命周期：

def cleanup(user_id: str, max_age_days: int = 90):
    """清理：过期的、用户撤销的、太久没用的"""
    now = time.time()
    keep = []
    for m in DB.get(user_id, []):
        if m["ts"] + max_age_days * 86400 < now:
            continue                 # 过期
        if m.get("revoked"):
            continue                 # 用户明确让忘掉
        keep.append(m)
    DB[user_id] = keep

2. 用户有"遗忘权"

用户说"以后别记我的偏好"“删掉我昨天的记录”，必须能执行。这既是产品体验，也是合规要求。记忆系统必须支持删除，这个能力越早留好越省事。

3. 重要度动态调整

记忆的"重要度"不是写死一次就完：一条记忆被反复命中，说明它越来越重要（权重可上调）；很久没被用到，权重下调直至清理。这就是"记忆会自己进化"的雏形，也是第 7 篇 Skill 系统的前奏。

---

踩坑：全记 = 全忘

坑一：什么都记，等于什么都没用。

想象记忆库里有 300 条记录，新会话开始全塞进上下文——模型面对一堆信息，反而抓不住重点，甚至被不相关记忆带偏。记忆的价值在于精选：

做法	结果
全记全注入	噪声淹没关键信息，效果比不记还差
门槛过滤 + Top-K 检索	注入的都是最相关的，记忆才真正起作用

一句话：记忆系统是"过滤器"，不是"仓库"。 宁可少存、必存精品。

坑二：记忆和上下文的边界不清。

两者分工明确，别混用：

	上下文管理（第 4 篇）	Memory 记忆系统（本篇）
管什么	会话内的过程记录	跨会话的沉淀结论
生命周期	本次会话	长期
存什么	对话原文、工具结果	提炼出的偏好、事实
解决的问题	长对话不"失忆"	换会话不"失忆"

常见错误：用记忆系统去存对话原文（那是上下文的事，存原文又占空间又没提炼）；或者把该沉淀的偏好只留在上下文里（会话一关就丢）。

---

小结

• Memory = 存储 + 写入门槛 + 检索注入，把会话里值得记的提炼出来，跨会话复用
• 记忆分四层：短期/工作归上下文管，长期/语义才是记忆系统的主场
• 写入门槛：只有"下次还有用"的才记，宁缺毋滥
• 检索注入：新会话用 Top-K 检索捞回最相关的记忆，控制数量
• 要维护：过期清理、遗忘权、重要度动态调整
• 记忆系统是过滤器，不是仓库

---

下篇预告

到这篇为止，Agent 能记住用户了（Memory），也能动手了（工具）。但还有个空白：用户问"机票怎么退改签"，这个知识不在模型训练数据里，也不在用户记忆里——它属于业务知识库。

下一篇讲 RAG 与向量知识库：怎么把"退改签政策"这种文档变成 Agent 能查、能引用、能答对的知识。如果说 Memory 让 Agent 记住用户，那 RAG 让 Agent 懂业务。

本系列路线（从 0 到 1）： Agent 是什么 → 手写最小 ReAct → Function Calling 与工具设计 → 上下文管理 → Memory 记忆系统 → RAG 知识库 → Skill 自学习 → 编排模式与多 Agent → 给 Agent 装护栏 → 生产部署与可观测 → 评测与回归