Agent 中的 Memory 有哪些类型？

安逸Ai2026/6/17大约 8 分钟Agent面试Memory记忆系统

Agent 中的 Memory 有哪些类型？短期记忆和长期记忆分别解决什么问题？

Agent 为什么需要 Memory？这个问题先想清楚。

本质原因是：大模型的 Context 窗口是有限的，但真实场景里你需要记住的东西可能是海量的。比如用户跟 Agent 聊过的事情、之前做过的决策、积累下来的经验——这些东西没法全塞进 Prompt 里，就得靠 Memory 来管理。

Memory 在 Agent 架构里扮演的是「外部知识库」角色，它让 Agent 不是每次都从零开始，而是能记住上下文、积累经验。下面分两块来讲：两套分类体系和短长期记忆各自解决的问题。

一、Agent 记忆的两套分类体系

讲 Memory 先得分清楚两个视角——按存储形式分和按功能分，这是两个不同的维度。

存储形式：东西存在哪儿

存储形式	怎么存的	典型例子
词元级记忆	把信息转成文本，存进向量数据库	Qdrant、Chroma、Milvus
参数化记忆	直接编码进模型权重	Fine-tuning 训练出来的知识
潜在记忆	存在 KV Cache 里，用隐变量表示	各种注意力机制的中间状态

最常见的是词元级记忆——也就是 RAG 那一套：把文本向量化，检索时算相似度召回。参数化记忆更多是预训练阶段的事，Agent 运行时主要靠前两种。潜在记忆最近研究比较多，比如让模型学会「记住」某些模式而不是显式存储。

功能分类：记忆派什么用场

功能类型	解决什么问题	类比
工作记忆	当前正在思考的内容	大脑正在想的事
事实记忆	知道的事实和知识	你掌握的信息
经验记忆	从经历中学到的教训	踩过的坑、下次怎么改

这个分类更贴近 Agent 的实际工作流程。工作记忆负责「当下」，事实记忆负责「知道」，经验记忆负责「改进」。

把这两个维度组合起来，就是一个 3×3 的记忆类型矩阵：

Agent 记忆类型二维分类矩阵，横轴为存储形式（词元级/参数化/潜在），纵轴为功能分类（工作/事实/经验）

记住这个矩阵有啥用？面试的时候你能说清楚「我这用的是哪种记忆、在解决什么问题」，而不是笼统地说「我们用了 Memory」。

阅读全文

二、短期记忆解决什么问题

短期记忆解决的核心问题是：当前这轮对话里，关键信息别丢。

具体来说，它承载三样东西：

对话历史 —— 聊到现在说了啥
工具调用结果 —— 之前执行的操作和返回值
中间状态 —— Agent 思考到哪一步了

短期记忆的直接表现就是 Context 窗口。每次你发消息，Agent 并不是只看到你这句话，而是把之前整段对话都塞进 Prompt 里。

这个过程大概长这样：

举个例子感受一下：

用户：帮我查一下北京今天的天气
Agent：调用 weather API，返回"晴，26度"
用户：明天呢？

第二句「明天呢？」单独拎出来是不知道问啥的，但加上短期记忆里的「查北京天气」，Agent 就能理解这是在问北京明天天气。这就是短期记忆的价值——保持本轮对话的连贯性。

短期记忆的天花板是 Context 窗口大小。窗口大，能记住的对话就长；窗口满了，要么截断老对话，要么 Summarize 压缩。所以短期记忆是个「用完就没」的资源。

三、长期记忆解决什么问题

长期记忆解决的核心问题是：新会话能恢复老用户的信息。

短期记忆是「用完就没」，长期记忆是「存下来以后用」。典型场景：

用户隔了三天又来用 Agent，Agent 能叫出他的名字、记住他的偏好
Agent 做过一次复杂任务，下次遇到类似的能调用经验
多轮对话中途被打断，回来能接着干

长期记忆的实现方式就多了，常见的有这几种：

向量数据库 —— 把信息向量化存进去，检索时用语义相似度召回。比如用户说「上次我让你帮我写的那个脚本」，系统能找到之前存的代码记忆。

知识图谱 —— 用图结构存储实体关系。比如「用户A 喜欢咖啡」这个三元组，比纯文本更结构化，推理能力更强。

文件/数据库 —— 直接用 Markdown、JSON、SQLite 存。Claude Code 的 CLAUDE.md 就是典型，存成文件，运行时读取。

这几种方案各有优劣：

方案	优点	缺点
向量数据库	语义检索强	精确查询弱
知识图谱	结构化、可推理	构建成本高
文件存储	简单直接	检索能力有限

长期记忆的典型工作流：

跨会话长期记忆时序图，Session1 写入偏好 → 时间断层 → Session2 检索回溯的完整过程

Session 1 结束时把用户偏好写入长期记忆，Session 2 开始时先检索一下有没有这个用户的历史记录——有的话捞出来塞进 Prompt，新会话就能「认识」老用户了。

四、记忆的生命周期与管理

知道了有哪些记忆类型，接下来要理解记忆不是「存进去就完事了」——它有自己的生命周期。

六阶段循环

记忆从产生到消亡会经历六个阶段：

编码 —— 把信息转成 Agent 能处理的格式（文本、向量、状态）
存储 —— 把编码后的信息持久化（写进数据库、文件、内存）
提取 —— 需要的时候召回相关记忆（检索、匹配）
巩固 —— 强化重要记忆的权重（定期复习、重新编码）
反思 —— 从经历中抽象出经验（总结教训、提炼模式）
遗忘 —— 淘汰不再需要的信息（释放空间、避免干扰）

这六个阶段形成了一个循环：

很多实现只做了前三步——编码、存储、提取。但真正好用的 Agent 会做「反思」这一步：让 Agent 定期回顾自己做过的决策，分析哪些地方可以改进，然后把结论存成经验记忆。

遗忘机制

记忆不是存得越多越好。存太多会导致检索噪音变大、推理成本上升。

常见的遗忘策略：

时间衰减 —— 很久没被访问的记忆，逐步降低权重
访问频次 —— 用得少的记忆，优先级降低
冲突标记 —— 新记忆和旧记忆矛盾时，标记冲突待解决

一个简单的实现是：每次访问记忆时更新 last_accessed 时间戳，定期清理超过 N 天没访问的记录。复杂一点的会用 LRU（最近最少使用）或者更高级的衰减函数。

业界方案一览

不同产品对记忆的实现思路差异挺大的：

产品	方案特点	适用场景
Mem0	多层记忆（用户级、Session级、Agent级）	通用场景
LETTA	支持记忆的增删改查，有生命周期管理	复杂 Agent
ZEP	专注长期记忆，提供记忆搜索 API	快速集成
A-MEM	动态记忆，按需加载/卸载	资源敏感场景

选型的时候主要看你的 Agent 复杂度程度。简单场景用一个向量库就够了，复杂场景需要完整生命周期管理的方案。

主流产品方案对比表，Mem0/LETTA/ZEP/A-MEM 的技术方案和适用场景对比

记忆不是存进去就完事 —— 有完整的生命周期管理，编码→存储→提取→巩固→反思→遗忘六阶段循环
遗忘机制很重要 —— 用时间衰减函数避免知识过载，不是存越多越好
反思是关键步骤 —— 好的 Agent 会从历史经验中提炼模式，不是每次都从零学习
Claude Code 的思路 —— 长期记忆不一定要向量检索，用 Markdown 文件+约定好的目录结构也能work，CLAUDE.md 就是例子

一句话总结

Agent Memory 的核心是：短期记忆靠 Context 窗口解决本轮对话连贯性，长期记忆靠持久化存储解决跨会话信息恢复，两者配合让 Agent 不是每次都从零开始。