Agent Memory 学习笔记：我如何理解智能体长期记忆

🧠

这篇是我学习 Agent Memory 时整理的笔记。以前我更多关注 Agent 会不会调用工具，现在我越来越觉得，长期记忆才是 Agent 从一次性助手走向持续协作者的关键能力。

📝 主旨内容

💡 一、我为什么关注 Agent Memory

如果 Agent 每次对话都从零开始，它就很难成为真正的长期助手。

我在使用各种 Agent 工具时，经常会遇到一个问题：它能完成当前任务，但下次又忘了我的偏好、项目背景和历史决策。这样一来，我就必须反复解释同样的信息。

Agent Memory 想解决的正是这个问题。它让 Agent 能保存长期信息，在需要时检索出来，并把历史上下文用于新的任务。

🔍 二、我理解的几类记忆

我现在会把 Agent 记忆分成几类：

• 短期记忆：当前对话里的上下文

• 长期记忆：跨会话保存的偏好、事实和项目背景

• 情景记忆：某次任务的过程和结果

• 语义记忆：结构化后的知识和概念

• 程序记忆：可复用的工作流程和操作习惯

不同记忆不能混在一起。比如用户偏好和一次任务日志的生命周期就完全不同。

🛠️ 三、我最关心记忆的质量

记住错误信息，比忘记更危险。

Agent Memory 不是简单把所有内容存进向量库。它需要判断什么值得存、什么时候更新、什么时候过期、什么内容不能保存。如果记忆里有错误或过时信息，Agent 会在后续任务里持续放大这个错误。

我会给记忆系统加这些规则

1. 写入前先判断是否长期有用。

2. 保存来源和时间。

3. 支持更新和删除。

4. 区分事实、偏好和任务记录。

5. 敏感信息默认不写入长期记忆。

🤗 总结归纳

学习 Agent Memory 后，我更清楚长期 Agent 的基础问题：不是模型会不会回答，而是它能不能在正确时间想起正确的信息。

作为学习者，我后面会重点研究记忆写入策略、检索策略和过期机制。没有这些治理，记忆系统很容易从能力变成噪声。

📎 参考文章

• Survey of AI Agent Memory Frameworks：https://www.graphlit.com/blog/survey-of-ai-agent-memory-frameworks

• OpenMemory MCP：https://mem0.ai/openmemory-mcp

• Mem0：https://github.com/mem0ai/mem0

💡

我现在的判断是：Agent Memory 不应该默认全量记录，而应该像一个有边界的知识库，只保存真正能帮助后续工作的内容。