一文搞懂Agent记忆层原理，大模型入门到精通，收藏这篇就足够了！

关注

原创最新推荐文章于 2026-11-04 10:24:49 发布 1.9k 阅读 AI 写同款· GEO 优化 ›

AI Agent的记忆系统实现：从短期对话到长期知识一个好的记忆系统是 AI Agent 智能行为的基础。它不仅要能存储和检索信息，还要像人类大脑一样，能够区分信息的重要性，合理管理记忆的生命周期。在下一篇文章中，我会讲解如何实现 AI Agent 的工具调用系统。如果你对记忆系统的实现有什么想法，欢迎在评论区交流。阅读详情

一、为何 Agent 需要记忆

当前大语言模型（LLM）本身无状态，受 Transformer 上下文窗口限制，存在短期遗忘（对话超出窗口长度会丢失初始信息，影响连贯性）、无法长期学习（不能从与特定用户交互中积累偏好等信息，每次对话如与陌生人开始）、缺乏个性化（难以形成独特个性和建立长期用户关系，服务较通用）等问题。为打破 “金鱼困境”，实现持续学习、演化和提供个性化体验，记忆机制至关重要。

二、记忆系统构成

（一）短期记忆（STM）

核心功能：短期记忆如同 Agent 的 “工作台”，在执行当前任务或单次对话时，存储即时对话历史、当前任务状态、中间推理步骤等信息，保障短期交互的连贯性与上下文感知能力。
挑战：主要挑战在于如何有效管理有限的 LLM 上下文窗口。
实现路径

滑动窗口缓冲区：最简单方式，在内存维护固定大小队列，保留最近 K 轮对话。新对话产生时，最早对话移出窗口。例如，若设定保留最近 5 轮对话，当第 6 轮对话产生，第 1 轮对话就会被移除。

技术工具：LangChain ConversationBufferWindowMemory、llama-index WindowMemoryBuffer
核心参数：k（窗口大小，默认 5）、memory_key（存储对话历史的键名，默认 “history”）
代码示例（LangChain）：

from langchain.memory import ConversationBufferWindowMemory

memory = ConversationBufferWindowMemory(k=3)  # 保留最近3轮对话

memory.save\_context({"input": "你好"}, {"output": "您好！有什么可以帮您？"})

memory.save\_context({"input": "我叫小明"}, {"output": "很高兴认识你，小明！"})

print(memory.load\_memory\_variables({}))  # 输出前3轮对话

摘要化策略：当对话长度快超出上下文限制，调用 LLM 对早期对话内容摘要，将摘要和最近对话内容保留在上下文。如在一段长对话中，模型会定期对之前的多轮对话进行总结，以精简信息。

技术依赖：LLM 摘要模型（如 GPT-3.5-turbo-1106、Claude 3 Haiku）、LangChain ConversationSummaryMemory
摘要触发条件：对话 Token 数达到阈值（如 GPT-3.5 设为 1500 Token）、对话轮次超预设值（如每 10 轮触发一次）
技术优化：采用 tiktoken 库计算 Token 数（支持多模型 Token 规则），代码示例：

import tiktoken

encoder = tiktoken.encoding\_for\_model("gpt-3.5-turbo")

def count\_tokens(text):

&#x20;   return len(encoder.encode(text))

\# 当对话历史Token数超阈值时触发摘要

if count\_tokens(memory.load\_memory\_variables({})\["history"]) > 1500:

&#x20;   summary = llm.generate\_summary(memory.load\_memory\_variables({})\["history"])

Token 长度限制策略：依据 Token 数量控制记忆。总 Token 数超预设阈值时，从对话历史开头移除内容直至满足限制。比如，设定阈值为 1000 个 Token，当对话总 Token 数达到 1200 时，从开头逐步删除部分内容，使总 Token 数回到 1000 以下。

技术工具：LangChain ConversationTokenBufferMemory、OpenAIEmbeddings（辅助 Token 计算）
核心参数：max_token_limit（默认 2000）、llm（指定用于 Token 计算的 LLM 模型）
冲突处理：当单轮对话超 max_token_limit 时，触发文本截断（采用 textwrap 库按 Token 分割）

相关示例（含技术对比）：LangChain 中的 ConversationTokenBufferMemory、ConversationSummaryMemory（对整个对话摘要）、ConversationSummaryBufferMemory（保留近期对话并对更早对话摘要）、ConversationBufferWindowMemory 等都是短期记忆的实现方式。其中，ConversationBufferWindowMemory 实现简单，适合短对话，但长对话中会突然丢失早期重要信息；ConversationSummaryMemory 等能在长对话保留核心信息，扩展 “记忆” 长度，不过摘要过程会消耗额外 API 调用成本且可能丢失细节。

记忆类型	技术优势	适用场景	性能开销（Token / 轮）
ConversationBufferWindowMemory	无额外 API 调用成本	短对话（<10 轮）	0（仅内存存储）
ConversationSummaryMemory	长对话核心信息保留	客服对话、多轮咨询	50-200（摘要消耗）
ConversationTokenBufferMemory	精确控制 Token 用量	低 Token 预算场景	0（仅截断无摘要）

（二）长期记忆（LTM）

核心功能：长期记忆是 Agent 的 “知识库” 与 “经验库”，用于跨会话、跨时间存储和检索信息，是实现个性化、持续学习和积累经验的关键。可存储用户偏好、核心事实、过去成功 / 失败经验、特定领域外部知识文档等。
挑战：核心挑战是如何从海量外部信息中高效精确检索当前任务所需相关知识。
实现路径（以 RAG 为核心，含技术细节）

简单拼接：将检索到的文本块直接塞入 Prompt，适用于检索内容不多的情况。比如，若只检索到少量与问题相关的文本片段，可直接将它们组合起来提供给模型。
Map - Reduce 策略：检索内容过多时，先对每个文本块独立摘要（Map 阶段），再将所有摘要整合生成最终答案（Reduce 阶段）。例如在处理大量文档时，先分别对每篇文档生成简短摘要，再将这些摘要汇总，得出综合结论。
Refine 策略：迭代处理检索到的文本块。先基于第一个文本块生成初步答案，再结合后续文本块和初步答案，让 LLM 优化修正。如在回答复杂问题时，模型先依据部分信息给出初步回答，再根据新检索到的相关信息对答案进行完善。
稠密检索：基于 Embedding 模型进行语义相似度搜索，是主流方式。需选择合适 Embedding 模型，如 BERT、m3e - base、OpenAI 的 text - embedding - ada - 002 等。例如，将用户问题和文档都转换为向量形式，通过计算向量间余弦相似度来查找最相关文档。

模型选型：中文用 m3e-base（维度 768，开源免费）、英文用 text-embedding-ada-002（维度 1536，精度高）
向量计算库：faiss（CPU 环境）、faiss-gpu（GPU 加速，支持 1000 万级向量检索）
代码示例（m3e + faiss）：

from sentence\_transformers import SentenceTransformer

import faiss

\# 加载Embedding模型

model = SentenceTransformer('moka-ai/m3e-base')

\# 生成文档向量

docs = \["用户小明偏好咖啡", "用户小红对茶敏感"]

doc\_embeddings = model.encode(docs)

\# 构建FAISS索引

index = faiss.IndexFlatL2(doc\_embeddings.shape\[1])

index.add(doc\_embeddings)

\# 检索相似文档

query = "小明喜欢什么饮品"

query\_embedding = model.encode(\[query])

distances, indices = index.search(query\_embedding, k=1)  # 返回Top1相似文档

稀疏检索：基于关键词匹配的传统方法，如 BM25 算法，对关键词明确的查询很有效。当用户输入包含明确关键词的问题时，该方法能快速定位相关文档。

算法：BM25（rank_bm25 库）、TF-IDF（scikit-learn 库）
技术优化：中文需先分词（jieba 或 THULAC），英文用 nltk 分词

混合检索：结合稠密和稀疏检索优点，先分别搜索，再通过重排序模型融合结果，提高检索鲁棒性和准确性。在实际应用中，先利用稀疏检索快速筛选出一批可能相关文档，再用稠密检索对这些文档进行更精确排序。

融合方案：ColBERT（稠密检索）+ BM25（稀疏检索），通过 Cross-Encoder 重排序（如 cross-encoder/ms-marco-MiniLM-L-6-v2）

向量数据库：存储非结构化数据（如文档、对话记录）语义向量，是实现 RAG 的核心。像 Pinecone、Milvus、Weaviate、Chroma 等。数据经 Embedding 模型转换为向量存入，通过计算向量间余弦相似度等方式快速语义检索。例如，将大量文章转换为向量存储在向量数据库中，当用户提问时，能迅速找到语义相似的文章。
键值存储 / 文档数据库：存储半结构化数据，如用户画像、会话 ID 等。如 Redis（用于快速缓存）、MongoDB。可方便地存储和查询与用户相关的特定信息。
图数据库：存储实体及其复杂关系，构建知识图谱，如 Neo4j。对需要深度推理和关系发现的 Agent 很重要。例如在构建智能客服系统时，可通过图数据库存储客户信息、产品信息以及它们之间的关系，帮助客服更好地理解客户问题和提供解决方案。

存储类型	技术工具	适用数据量	检索延迟（单条）	部署成本
向量数据库	Pinecone（云服务）	亿级向量	<100ms	较高
	Milvus（开源）	千万级向量	10-50ms	中
	Chroma（轻量开源）	万级向量	<50ms	低
键值存储	Redis（内存数据库）	百万级键值对	<1ms	中
图数据库	Neo4j（开源）	百万级节点关系	10-30ms	较高

记忆合成流程

存储层：记忆的物理载体，根据数据类型选择合适存储方案。如文本数据可存储在普通文件系统或数据库中，向量数据存储在向量数据库。
检索层：负责从存储层 “提取” 记忆。通过上述检索策略，从存储的大量信息中找到与当前任务相关内容。
记忆合成层：将检索到的信息与当前查询整合成有效 Prompt，供 LLM 生成最终回复。例如，把用户问题、从长期记忆中检索到的相关知识以及短期记忆中的当前对话状态组合成一个完整的输入，提供给 LLM 进行处理。

Prompt 拼接模板（LangChain PromptTemplate）：

from langchain.prompts import PromptTemplate

template = """

短期对话历史：{short\_memory}

长期记忆检索结果：{long\_memory}

用户当前问题：{user\_query}

请结合上述信息，生成自然语言回复。

"""

prompt = PromptTemplate(

&#x20;   input\_variables=\["short\_memory", "long\_memory", "user\_query"],

&#x20;   template=template

)