Agent Memory 总览
一句话理解：Agent Memory 是 Agent 的“记忆系统”，负责在多次交互中感知、编码、存储、检索、回注和遗忘信息，让 Agent 从“一轮问答”进化成“持续学习、长期服务”的助手。
本主题适合谁
- 正在设计或实现 Agent 系统的工程师，希望理解记忆层应该如何与 Runtime 配合。
- 对 RAG 已有了解，但希望区分“外部知识检索”与“Agent 自身经验积累”的开发者。
- 负责多轮对话、个性化助手、长期任务等场景的产品与架构师。
- 准备 AI Infra 相关面试的候选人。
学习目标
阅读完本主题后，你应该能够：
- 解释为什么 Agent 需要独立于 Prompt 和 RAG 的记忆系统。
- 区分工作记忆、短期记忆、长期记忆、语义记忆、情景记忆与程序性记忆。
- 描述记忆从感知到遗忘的完整生命周期。
- 画出 Agent Memory 的分层架构，并说明与 Agent Runtime、RAG、MCP 的边界。
- 理解 embedding、向量检索、摘要压缩、TTL、隐私过滤等核心机制。
- 对比 Letta（MemGPT）、LangGraph Persistence/Store、OpenAI Agents SDK Sessions、Mem0 等主流实现。
- 知道如何为自己的 Agent 选择存储后端、embedding 模型与检索策略。
- 跑通并扩展本主题的 Mini Demo，理解多层记忆的写入与检索。
- 回答关于记忆分类、向量检索、长期记忆与 RAG 区别、多租户隔离等面试问题。
Agent Memory 与其他主题的关系
| 主题 | 解决的核心问题 | 与 Agent Memory 的关系 |
|---|---|---|
| Agent Runtime | 如何安全、可观测地执行 Agent 任务 | Runtime 在 ReAct 循环中读写 Memory；Memory 为 Runtime 提供上下文与经验 |
| Agent Memory | 如何保留并利用 Agent 运行中产生的上下文与经验 | 承上启下，把“瞬时对话”转化为“可持续积累的记忆” |
| RAG（后续主题） | 如何从外部知识库检索固定知识 | RAG 读的是企业知识库；Memory 读的是 Agent 自身运行中积累的用户偏好、任务经验 |
| Planning | 如何分解与重规划任务 | Planner 可以利用 Episodic Memory 中的成功案例来生成更优计划 |
| Tool Use | 工具调用与执行 | Memory 存储工具结果摘要与偏好，Tool Use 层负责实时调用与结果格式化 |
| MCP | 工具发现与调用协议 | Memory 可以暴露 remember/recall 接口供 Runtime 通过 function call 调用；MCP 是可选协议 |
| Multi-Agent | 多 Agent 协作 | 共享或隔离的长期记忆池是多 Agent 协作的基础；Memory 为 Multi-Agent 提供跨 Agent 上下文 |
上表可以概括为一句话：Agent Runtime 决定“怎么执行”，RAG 决定“读什么外部知识”，Memory 决定“记住什么、忘记什么、回注什么”。
本章结构
- 背景 — 从“无状态 LLM → 上下文历史 → 长期记忆”的演进，Memory 与 RAG、Cache、Agent Runtime 的区别。
- 核心思想 — 记忆分类、记忆层次、生命周期、检索策略、遗忘与摘要、个性化、隐私。
- 架构设计 — Agent Runtime → Memory Service → 多层 Memory → Embedder → Vector Store → Storage 的分层架构。
- 记忆生命周期 — Perceive → Encode → Store → Index → Retrieve → Inject → Forget/Decay/Update 完整流程。
- 核心模块 — Working Memory、Short-term Memory、Long-term Memory、Episodic Memory、Embedder、Vector Store、Retriever、Summarizer、Storage Backend、Memory Service、Privacy Filter。
- 源码分析 — Letta（MemGPT）、LangGraph persistence/store、OpenAI Agents SDK Sessions、Mem0、向量数据库设计取舍。
- 工程实践 — 纯 Python、零外部依赖的 Mini Demo 设计与运行说明。
- 企业生产实践 — 多租户隔离、向量 DB 选型、embedding 模型管理、隐私/TTL、与 Runtime 集成、可观测。
- 最佳实践 — 按记忆类型选存储、上下文长度控制、避免记忆污染、embedding 版本管理、敏感信息过滤、评测。
- 面试题 — 初级/中级/高级面试题。
- 延伸阅读 — 官方文档、论文、工程文章、向量数据库文档。
一句话总结
Agent Memory 不是给 Prompt 塞更多历史记录，而是把 Agent 运行过程中产生的上下文、事实、偏好与经验结构化地保存下来，并在合适的时机以合适的形式回注到 Runtime，从而让 Agent 在多轮、多会话、多任务中持续变聪明。
本章小结
Agent Memory 是 Agent 基础设施中承上启下的一层：它向上为 Agent Runtime 提供可检索、可遗忘、可个性化的上下文，向下管理 embedding、向量检索、存储后端与生命周期。它与 RAG、Cache、Agent Runtime 有清晰边界，核心目标是让 Agent 具备持续积累与复用经验的能力。
参考来源