OpenAI 发布 Agents API 之后，长任务 Agent 的记忆该如何管理？

关注

原创 2026-09-21 15:09:50 301 阅读 AI 写同款· GEO 优化 ›

在这里插入图片描述

OpenAI Agents API 把“持续运行数天”的 Agent 推向标准化，也暴露了长任务的另一面：上下文可以被压缩，进程可以被恢复，但一条状态为什么值得长期保留、何时失效、谁有权使用，仍然需要独立的系统判断。

2026 年 9 月 10 日，OpenAI 发布 Agents API 公开测试版，将会话编排、上下文压缩和任务恢复等能力整合到托管的 Agent 运行框架（harness）中。开发者可以通过 API 启动 Agent，配置工具调用与子 Agent 协作，并在后续交互中继续推进已有任务。

当 Agent 的工作从单轮问答扩展到跨会话、跨工具的连续执行，系统就需要持续跟踪任务进度、用户要求和阶段性结果。模型的推理能力、工具执行能力与状态管理能力，共同影响长任务的完成质量。

在这样的任务中，上下文管理有助于保留当前步骤所需的信息。对于需要跨会话复用的内容，还要进一步明确四个问题：哪些信息值得长期保存？新信息与旧信息冲突时采用哪条？多个 Agent 可以共享什么？任务结束后哪些信息应当删除？

长期记忆管理围绕这些问题展开。它以用户、任务或 Agent 为关联对象，管理信息如何跨会话保留、随时间更新，以及在什么范围内被调用，并与上下文管理、检索和底层存储配合工作。

长任务 Agent 为什么需要记忆管理？

短任务所需的信息通常可以保留在当前上下文中。长任务则会不断生成工具结果、文件、计划、错误日志、用户反馈和阶段性结论。随着这些内容积累，将完整历史持续放回上下文，会带来三个需要处理的问题。

第一，历史内容会增加输入规模。如果每轮请求都携带完整历史，输入会随任务推进而增长，其中与当前步骤无关的内容也会反复进入上下文。筛选本轮所需的信息有助于控制输入规模；实际成本和延迟还取决于模型、缓存等机制。

第二，压缩需要保留信息来源和状态。对话摘要可以缩短文本，但如果省略了必要标记，就可能模糊“用户明确要求”“模型推测”“工具返回事实”和“已经失效的计划”之间的区别。后续任务需要据此判断哪些内容可以沿用，哪些仍需核实。

第三，信息的使用范围需要明确。一个子 Agent 写下的中间结论，是否已经核实，能否供其他 Agent 使用？一次失败尝试，哪些部分值得作为经验保存，哪些只需留在执行日志中？这些选择决定了历史信息如何影响后续工作。

因此，设计长任务 Agent 时，可以按四类管理对象明确分工。

640_副本.png

这些管理职责可以相互配合。上下文窗口限定一次推理能够容纳的信息范围；RAG 将检索到的信息用于生成回答，既可以检索外部知识，也可以召回历史记忆；向量数据库则可以提供向量存储与相似性检索能力。长期记忆管理关注信息如何写入、跨会话保留、随时间更新，以及在什么范围内使用。

以跨会话的报告任务为例，任务执行状态记录报告做到哪一步，工作上下文包含当前处理的章节，知识库提供需要引用的产品资料，长期记忆保存用户对报告格式的持续要求。下一次生成报告时，应用可以召回这些要求，并结合当次指令决定如何使用。

涉及订单支付状态、审批结果等业务数据的操作，则要以相应业务系统确认的当前状态为依据。记忆中的历史描述用于补充背景。

生产环境中的记忆管理

长任务中的记忆会不断变化。用户补充了新的要求，旧计划需要更新；多个 Agent 接手同一项工作，共享信息需要有明确范围。记忆架构需要把这些变化纳入持续运行的流程，让信息的写入、使用、更新和删除相互衔接。
640 (1)_副本.png

这些操作需要在同一条流程中衔接。例如，用户修改了报告格式要求，系统要更新对应记忆，让后续检索能够获取新的要求，并留下可供核对的修改记录。涉及多个 Agent 时，还要限定各自可读取和修改的范围。

MemOS 如何把记忆职责从应用逻辑中拆出来

在 MemOS 中，我们将记忆的读写与维护组织为独立的系统能力。开发者可以通过组件和接口配置记忆处理流程，管理哪些信息被保存、何时召回，以及如何更新和删除。

通过 MemOS Cloud 接入时，应用可以调用写入、检索、修改、反馈和删除接口，并通过项目 API Key、用户标识及 Agent 过滤条件设置记忆的检索范围。会话标识 conversation_id 用于提高当前会话相关记忆的召回权重，不承担强制隔离职责。

面对偏好变化和状态更新，MemOS Cloud 的时间感知能力会结合查询中的时间线索，选择当前或历史记忆。用户纠正信息时，自然语言反馈可以触发相关记忆的校正与更新；需要精确修改时，也可以直接修改指定记忆条目。处理后的内容和检索结果可供应用查询核对。

长任务中的工具使用过程和任务经验，同样可以成为后续工作的参考。应用写入工具调用参数、真实返回结果及其关联信息后，MemOS Cloud 可以提取和保存工具使用轨迹。

对于可复用的任务方法，MemOS Cloud 的记忆自进化功能可以从历史对话中提炼技能，也支持上传已有的技能文件。检索时选择相应的记忆种类，即可召回相关轨迹或技能，交给 Agent 参考使用。

对于不再保留的内容，MemOS Cloud 支持按记忆 ID 删除当前项目中的指定条目，并通过查询核对结果。

MemOS 的开源架构采用 Components + Handlers 模式，将系统组件与请求处理逻辑分开。MemCube 统一组织记忆模块，支持为不同用户和应用场景划分记忆容器；Handlers 协调组件完成添加、搜索和反馈等操作；MemScheduler 在后台分发记忆更新、组织和反馈等任务，并提供任务状态与操作日志，便于跟踪异步处理进度。

接入应用时，这些记忆操作需要与现有的身份认证、业务授权和监控流程关联。应用服务端依据业务规则确定读写范围，并处理自身保存的副本与缓存。