Agent Memory：记忆系统基础概念

来源：LangGraph Memory · MemGPT · Anthropic Building Effective Agents | 整理时间：2026-05-14

为什么 Agent 需要记忆？

没有记忆的 Agent 就像一个每次对话都失忆的助手——你需要反复解释背景、重复要求、从头开始。记忆让 Agent 能：

• 跨对话保持上下文："上次我们讨论的那个方案，继续"
• 积累用户偏好："按照我喜欢的代码风格"
• 从历史中学习："上次这种 bug 的修复方式"
• 管理长任务状态："做到第 3 步了，继续"

记忆的三个层次

┌────────────────────────────────────┐
│  长期记忆 (Long-term Memory)       │  ← 跨会话持久化
│  用户偏好、项目知识、历史决策       │
├────────────────────────────────────┤
│  短期记忆 (Working Memory)         │  ← 当前对话上下文
│  当前任务状态、最近对话、工具结果   │
├────────────────────────────────────┤
│  工作记忆 (Context Window)         │  ← 模型可见的 token
│  系统提示 + 对话历史 + 工具输出    │
└────────────────────────────────────┘

工作记忆（Context Window）

所有 LLM 都有一个 token 上限（context window），这就是 Agent 的"即时记忆"：

核心挑战：Context window 是有限的。对话越长、工具输出越多，可用空间越少。

短期记忆（Working Memory）

当前会话中的状态管理：

• 对话历史：用户说了什么、Agent 回了什么
• 工具调用记录：调用了哪些工具、返回了什么
• 中间状态：多步骤任务进行到哪一步

关键问题：对话太长时，怎么压缩或裁剪历史？

长期记忆（Long-term Memory）

跨会话持久化的知识：

• 用户画像：偏好、风格、常用模式
• 项目知识：代码库结构、技术决策、历史变更
• 经验积累：过去遇到的问题和解决方案

实现方式：

记忆管理的核心问题

问题一：Context Window 不够用

解决策略：
1. 摘要压缩：对话太长时，自动摘要旧的部分
2. 滑动窗口：只保留最近 N 轮对话
3. 按需召回：需要时从长期记忆中检索相关内容
4. 子 Agent 隔离：把探索任务交给子 Agent，只返回结论

问题二：记忆不一致

解决策略：
1. 记忆版本化：标记每条记忆的来源和时间
2. 冲突检测：新信息与旧记忆矛盾时提示确认
3. 权威来源：明确哪些记忆可以覆盖（如用户明确指令）

问题三：隐私和安全

解决策略：
1. 敏感数据不存储：密码、API Key 等不入记忆
2. 用户可控：用户可以查看、修改、删除自己的记忆
3. 分级存储：不同敏感度的信息用不同的存储策略

各框架的记忆方案

Claude Code：CLAUDE.md

最简单的记忆方案——用 Markdown 文件存储项目级知识：

# CLAUDE.md

## 项目约定
- 使用 TypeScript strict mode
- 测试框架：Vitest
- 不要使用 any 类型

## 用户偏好
- 喜欢函数式风格，不用 class
- 错误处理用 Result 模式

优点：简单、版本可控、人可读 缺点：只有项目级，没有用户级或会话级记忆

LangGraph：Checkpoint + Store

LangGraph 提供两层记忆：

• Checkpointer：保存每个图节点的状态，支持时间旅行调试
• Store：跨线程的长期记忆，支持命名空间和语义搜索

from langgraph.checkpoint.memory import MemorySaver
from langgraph.store.memory import InMemoryStore

checkpointer = MemorySaver()  # 短期：保存图执行状态
store = InMemoryStore()       # 长期：跨线程知识存储

OpenAI Agents SDK：对话历史管理

通过 RunContext 和对话历史管理实现记忆：

# 每次运行携带上下文
result = await Runner.run(
    agent=agent,
    messages=previous_messages,  # 历史对话
    context=RunContext(user_preferences),  # 用户上下文
)

记忆架构设计选择

什么时候需要长期记忆？

从简单开始

Level 0: 不用记忆 — 一次性任务
Level 1: CLAUDE.md — 项目级知识
Level 2: 会话摘要 — 长对话压缩
Level 3: 向量检索 — 大规模知识召回
Level 4: 完整记忆系统 — 多级存储 + 智能召回

建议：从 Level 0-1 开始，在遇到实际问题后再升级。过早引入向量数据库会增加不必要的复杂度；如果你还没判断任务是否真的需要 Agent，先回到 什么是 AI Agent 的使用边界。