跳转至

Agent 记忆系统

背景知识
  • Agent 执行循环：思考→行动→观察的反复迭代，直到任务完成 → 详见
  • 向量数据库：将文本编码为高维向量后存储，支持语义相似度检索
  • RAG (检索增强生成)：从外部知识库检索相关文档，注入 LLM 上下文以减少幻觉 → 详见
  • 信息检索基础：BM25、向量检索、混合检索等检索算法原理 → 详见

Agent 的记忆系统决定了它能"记住什么、忘记什么、如何检索"——这直接影响执行循环的质量和持续性。

1. 记忆的分类

记忆类型 技术实现 生命周期 用途
工作记忆 上下文窗口中的 system prompt + 近期消息 单次循环 当前任务的即时上下文
短期记忆 对话历史、临时缓冲区 单次会话 维持多轮对话连贯性
长期记忆 向量数据库、KV 存储 跨会话持久化 用户偏好、历史经验、知识库
情景记忆 结构化存储（时间线索引） 跨会话持久化 过往交互的具体经历（何时做了什么、结果如何）

核心问题：上下文窗口有限（即使 200K token 也会被复杂任务耗尽），如何在有限窗口中放入最相关的信息1？

2. 趋同的技术栈

2025 年后，主流记忆系统在写入、检索、遗忘三个环节的架构已基本趋同：

环节 趋同方案 说明
写入 LLM 抽取 → embedding → 向量库 由 LLM 从对话中筛选值得持久化的事实，生成 embedding 后写入；图系统额外抽取实体和关系
检索 向量 + BM25 + 图遍历 + 时间索引 四路召回，RRF 融合排序（与 RAG 技术高度重合）→ 混合检索详解
遗忘 时间衰减 + 边失效 / ADD-only 近期记忆权重更高；矛盾信息标记旧记录失效而非删除，保留演化链

各系统的差异化不在基础管线，而在记忆的组织结构（第 3 节）和上层管理策略（第 4 节）。

3. 结构化记忆组织

传统记忆系统将记忆视为扁平的向量集合或简单图结构，缺乏层次化和语义抽象。2025 年起，结构化记忆组织成为研究热点。共性思想：高层记忆是低层记忆的语义抽象，检索时逐层路由，避免全量相似度计算。

Hindsight：三通道记忆

Hindsight（MIT，9.8k stars）将记忆分为三通道2：

通道 内容 作用
World 客观事实 事实性知识存储
Experiences Agent 自身经历 情景记忆回溯
Mental Models 反思生成的洞察 高层抽象推理

内置时序索引，支持时间范围检索。提供 MCP 协议接入。

Graphiti：时序知识图谱

Graphiti（Apache-2.0，28k+ stars）是开源时序图引擎7。

四组件架构：

组件 内容 作用
Entities（实体节点） 人物、产品、概念等，摘要随时间演化 语义检索
Facts / Relationships（事实边） 实体→关系→实体三元组，携带时间有效窗口 精确事实检索
Episodes（原始事件） 原始消息/文本/JSON（非损失性） 溯源引用
Custom Types（本体） 开发者通过 Pydantic 定义的实体/边类型 领域建模

核心创新——双时间线模型：

  • 事件时间线 \(T\)：事实实际发生的时间（支持解析"下周四"等相对时间）
  • 摄入时间线 \(T'\)：数据写入系统的时间（审计用途）
  • 每条边携带四个时间戳（\(t'_{created}\)、\(t'_{expired}\)、\(t_{valid}\)、\(t_{invalid}\)），新信息矛盾时标记旧边失效而非删除，实现事实的版本化管理

Mem0：从图数据库到内置实体链接

Mem0（Apache-2.0，59k+ stars）经历了显著的架构演进8。记忆按四层作用域组织：

层级 生命周期 用途
Conversation（会话） 单次轮次 工具调用、中间计算
Session（会话组） 分钟到小时 多步骤任务流
User（用户） 跨会话持久化 个人偏好、账户状态
Org（组织） 全局配置 共享知识、策略文档

通过 user_id / agent_id / run_id / app_id 组合过滤，支持多租户和多 Agent 溯源。

对比与权衡

维度 Hindsight Graphiti Mem0
记忆结构 三通道（平行分类） 四组件图谱 四层作用域 + 实体链接
图结构 ❌ ✅ 完整知识图谱（Neo4j） ⚠️ 内置实体链接（向量库）
时序支持 ✅ 时序索引 ✅ 双时间线 + 边失效 ⚠️ ADD-only 保留历史
社区发现 ❌ ✅ 标签传播 ❌
部署复杂度 低 高（需 Neo4j） 低（仅向量库）

4. 记忆管理策略

上下文工程

记忆系统的核心问题不只是"存什么"和"取什么"，还有如何管理上下文窗口本身。

ACE (Agentic Context Engineering)3 将上下文视为可演化的策略集合（playbooks），通过生成→反思→策展循环持续优化，防止迭代重写导致的上下文坍塌。MemAct4 更进一步：把记忆管理建模为 Agent 的可学习动作（何时保留、压缩、丢弃历史片段），通过 RL 训练策略，在任务性能和 token 效率间自动平衡。

程序化记忆

除了 episodic（发生了什么）和 semantic（知道什么）记忆，产品界开始关注第三种类型：procedural memory（如何做）。Mem0 在代码中实现了 MemoryType.PROCEDURAL（枚举中唯一实际启用的类型），但整体工具支持仍处于早期。

系统 核心机制 特点
Mem^p5 轨迹蒸馏为步骤指令 + 高层脚本 ACL 2026；动态更新/修正/废弃；开源
MACLA6 贝叶斯选择 + 对比精炼 AAMAS 2026 Oral；2851 轨迹 → 187 可复用程序（15:1 压缩）；开源

共性价值：程序化记忆可迁移——强模型构建的记忆用于弱模型仍有显著增益，支持终身学习。

参考资料

  1. Wang et al. A Survey on Large Language Model based Autonomous Agents. 2023. https://arxiv.org/abs/2308.11432 ↩

  2. Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects. 2025. https://arxiv.org/pdf/2512.12818 ↩

  3. Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models. 2025. https://www.microsoft.com/en-us/research/publication/agentic-context-engineering-evolving-contexts-for-self-improving-language-models/ ↩

  4. Memory as Action: Autonomous Context Curation for Long-Horizon Agentic Tasks. 2025. https://arxiv.org/html/2510.12635v2 ↩

  5. Mem^p: Exploring Agent Procedural Memory. 2025. https://www.arxiv.org/pdf/2508.06433 ↩

  6. Learning Hierarchical Procedural Memory for LLM Agents through Bayesian Selection and Contrastive Refinement. 2025. https://arxiv.org/abs/2512.18950 ↩

  7. Zep: A Temporal Knowledge Graph Architecture for Agent Memory. 2025. https://arxiv.org/abs/2501.13956 ↩

  8. Chhikara et al. Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory. 2025. https://arxiv.org/abs/2504.19413 ↩