AI入门—— 一文读懂什么是AI Agent的Memory

一文读懂 Agent Memory：让 AI 智能体真正“记住你”的工程实践

很多 AI Agent Demo 看起来很聪明，但一旦进入真实使用，很快会暴露一个问题：

它每次都像第一次认识你。

你要反复告诉它项目背景、个人偏好、常用命令、代码规范、上次讨论到哪里。
这不是模型不够强，而是 Agent 缺少可控、可持续的 Memory（记忆）系统。

这篇文章结合 LangGraph Memory / Persistence、OpenAI Agents SDK Sessions 和 Claude Code Memory 的设计，系统讲清楚：

• Agent Memory 是什么
• 为什么 Agent 需要 Memory
• Memory 的类型和应用场景
• Memory 与 Prompt、RAG、Skill、Rule 的区别
• 基于现有 Agent 框架实现 Memory 的最佳实践

---

先说结论：Agent Memory 是什么？

Agent Memory 是让 AI Agent 在一次或多次任务之间保存、检索和更新上下文的机制。

它解决的不是“模型会不会推理”，而是“Agent 能不能记住”。
这些记忆可能包括：

• 当前对话历史
• 用户偏好
• 项目结构
• 已验证的命令
• 业务规则
• 历史任务结果
• 长期用户画像
• 可复用经验和决策

一个没有 Memory 的 Agent，只能依赖当前 prompt。
一个有 Memory 的 Agent，可以跨会话持续成长。

---

为什么需要 Memory？

1. 减少重复解释

没有 Memory 时，你每次都要重复：

• “这个项目用 pnpm”
• “回答请用中文”
• “不要改生成文件”
• “测试命令是 npm run test:unit”
• “我偏好先给结论再给细节”

Memory 可以把这些长期稳定信息保存下来，让 Agent 自动带入后续任务。

2. 支持多轮任务连续性

复杂任务往往不是一轮完成的。
例如：

1. 第一次让 Agent 阅读代码
2. 第二次让它制定计划
3. 第三次让它实现
4. 第四次让它修 bug
5. 第五次让它写总结

短期记忆能保存同一个 thread 中的历史状态，让 Agent 不需要每轮都从零开始。

3. 支持个性化体验

同一个 Agent 面向不同用户时，应该有不同表现：

• 开发者希望输出命令和代码
• 产品经理希望输出决策摘要
• 运维工程师希望输出风险和回滚方案

长期用户记忆可以让 Agent 学会用户偏好。

4. 支持可恢复和可审计

生产级 Agent 不能只靠“上下文窗口”。
它需要能恢复任务、追踪状态、回放历史、排查问题。

LangGraph 的 persistence 就强调 checkpoint、thread 和 state，用于会话恢复、人类审批、调试和容错。

---

Memory 的常见类型

1. 短期记忆（Short-term Memory）

短期记忆保存同一个对话或任务 thread 内的状态。

典型内容：

• 最近几轮消息
• 当前任务进度
• 中间工具结果
• 临时变量
• 人类审批状态

LangGraph 中，短期记忆通常通过 checkpointer 保存 thread state。
OpenAI Agents SDK 中，Session 会自动保存和恢复对话历史。

2. 长期记忆（Long-term Memory）

长期记忆跨会话、跨 thread 存在。

典型内容：

• 用户偏好
• 项目事实
• 常用命令
• 业务规则
• 历史经验
• 重要决策

LangGraph 的 long-term memory 通常使用 store，以 namespace + key 的形式保存 JSON 文档。

3. 语义记忆（Semantic Memory）

语义记忆保存事实性知识，例如：

• “用户使用 Windows + PowerShell”
• “项目后端在 services/api”
• “公司要求接口变更必须兼容旧版本”

这类记忆常用结构化 JSON 或向量检索存储。

4. 情景记忆（Episodic Memory）

情景记忆保存“发生过什么”：

• 某次排障过程
• 某个 bug 的修复路径
• 某次会议摘要
• 某个任务的最终决策

它适合回顾、复盘和相似案例检索。

5. 程序性记忆（Procedural Memory）

程序性记忆保存“怎么做”：

• 常用工作流
• 排障 SOP
• 代码发布步骤
• 文档生成流程

这类内容往往应该从 Memory 升级为 Skill 或 Rule。

---

Memory、RAG、Prompt、Skill、Rule 的区别

概念	解决什么问题	典型内容
Prompt	本轮任务要做什么	用户即时指令
Memory	Agent 应该记住什么	偏好、历史、事实、状态
RAG	从外部知识库查什么	文档、知识库、网页、数据库
Skill	某类任务怎么做	SOP、脚本、模板、流程
Rule	始终必须遵守什么	编码规范、安全边界、输出约束

简单判断：

• 一次性目标：写 Prompt
• 长期事实：写 Memory
• 大量文档：用 RAG
• 重复流程：做 Skill
• 长期约束：写 Rule

---

Memory 的应用场景

场景一：个人 AI 助手

Memory 可以保存：

• 用户语言偏好
• 常用工具
• 工作时间
• 常见任务
• 常用项目路径

这样 Agent 就能越来越像“专属助理”。

场景二：AI 编程助手

Memory 可以保存：

• 项目结构
• 构建命令
• 测试命令
• 代码规范
• 常见错误修复方案

Claude Code 官方建议把构建命令、约定、项目布局、“always do X” 这类长期事实写入 CLAUDE.md。

场景三：客服 Agent

Memory 可以保存：

• 用户历史问题
• 工单状态
• 产品版本
• 偏好渠道
• 上次未解决事项

这样用户不会每次都重新解释背景。

场景四：企业知识助手

Memory 可以保存：

• 用户所属团队
• 常访问系统
• 权限范围
• 最近查询主题
• 已确认的业务规则

同时，大量制度文档仍应放在 RAG 知识库，而不是全部塞进 Memory。

场景五：长期自动化 Agent

例如 Hermes Agent 这类长期在线 Agent，Memory 可以与 Skills、cron、消息网关结合：

• 记住用户偏好
• 沉淀任务经验
• 定期推送报告
• 从历史任务中学习

---

基于 LangGraph / LangChain 的 Memory 实践

LangGraph 对 Memory 的划分很清晰：

• 短期记忆：thread-level state，通过 checkpoint 保存
• 长期记忆：cross-thread memory，通过 store 保存

短期记忆：Checkpointer

最小示例：

from typing import Annotated, TypedDict
from langchain_core.messages import AnyMessage
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.memory import InMemorySaver

class AgentState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

def call_model(state: AgentState):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

builder = StateGraph(AgentState)
builder.add_node("model", call_model)
builder.add_edge(START, "model")
builder.add_edge("model", END)

checkpointer = InMemorySaver()
graph = builder.compile(checkpointer=checkpointer)

graph.invoke(
    {"messages": [{"role": "user", "content": "我叫 Alice"}]},
    {"configurable": {"thread_id": "user-1"}}
)

生产环境不要用纯内存 checkpointer，建议用 Postgres、Redis 或其他持久化后端。

长期记忆：Store

长期记忆应该与 thread 解耦。
例如保存用户偏好：

from langgraph.store.memory import InMemoryStore

store = InMemoryStore()

namespace = ("users", "alice", "profile")
store.put(namespace, "preferences", {
    "language": "zh-CN",
    "answer_style": "先结论后细节",
    "preferred_shell": "PowerShell"
})

memory = store.get(namespace, "preferences")

LangGraph 最佳实践

1. 短期记忆保存任务状态，长期记忆保存稳定事实
2. 所有长期记忆都要有 namespace
3. 不要把完整聊天记录当长期记忆
4. 长期记忆写入前要做筛选和总结
5. 敏感信息不要写入 Memory
6. 生产环境使用数据库后端，而不是 InMemoryStore

---

基于 OpenAI Agents SDK 的 Memory 实践

OpenAI Agents SDK 使用 Session 管理会话历史。
Session 会在 Agent run 之间自动：

1. 读取已有历史
2. 合并本轮输入
3. 执行 Agent
4. 保存新的输入和输出

核心接口包括：

• get_items(limit)
• add_items(items)
• pop_item()
• clear_session()

Python Session 示例

from agents import Agent, Runner
from agents.memory import SQLiteSession

agent = Agent(
    name="Assistant",
    instructions="You are a helpful assistant."
)

session = SQLiteSession("user-123", "memory.db")

result = Runner.run_sync(
    agent,
    "记住我喜欢中文回答，并且先给结论。",
    session=session
)

result = Runner.run_sync(
    agent,
    "请解释什么是 RAG。",
    session=session
)

Session 适合：

• 持久聊天状态
• 可恢复审批流程
• 多轮任务
• 你能控制的存储后端

但它更偏“会话记忆”，如果要做用户画像、长期事实、跨 session 检索，仍建议单独设计长期 Memory store。

---

基于 Claude Code 的 Memory 实践

Claude Code 的 Memory 主要包括两类：

1. CLAUDE.md：用户显式写入的持久说明
2. Auto memory：Claude 从纠正和模式中自动沉淀的学习

CLAUDE.md 适合写：

• 构建命令
• 测试命令
• 项目结构
• 代码规范
• 常见约定
• 用户偏好

示例：

# Project Memory

## Commands

- Install dependencies with `pnpm install`.
- Run tests with `pnpm test`.
- Run lint with `pnpm lint`.

## Conventions

- Keep edits scoped to the user request.
- Do not modify generated files manually.
- Answer in Chinese unless asked otherwise.

Claude Code 还支持不同层级的 memory：

• 企业/组织级
• 项目级
• 用户级
• 本地覆盖

更具体的规则通常优先级更高。

---

基于 Hermes Agent 的 Memory 实践

Hermes Agent 把 Memory 作为长期在线 Agent 的核心能力之一。
它会把记忆放在本地 ~/.hermes/memories/，并与 Skills、消息网关、cron、子 Agent 协同。

典型目录：

~/.hermes/
├── memories/
├── skills/
├── sessions/
├── logs/
└── config.yaml

配置示例：

memory:
  memory_enabled: true
  user_profile_enabled: true
  memory_char_limit: 2200
  user_char_limit: 1375

Hermes 的思路更像“个人长期智能体”：

• Memory 记住用户和项目
• Skills 记住怎么做
• cron 主动执行任务
• gateway 跨平台触达用户

---

Memory 系统架构设计

一个生产级 Agent Memory 通常分成四层。

1. Session Store

保存当前会话或 thread 的消息历史和状态。

适合：

• 多轮对话
• 当前任务进度
• 临时上下文

2. Profile Store

保存用户画像和偏好。

适合：

• 语言
• 风格
• 时区
• 常用工具
• 权限范围

3. Knowledge Store

保存稳定知识或通过 RAG 检索的内容索引。

适合：

• 项目文档
• 产品手册
• FAQ
• 历史案例

4. Procedure Store

保存可复用流程。
这部分成熟后应该变成 Skill 或 Rule。

---

Memory 写入策略

Memory 最难的不是读取，而是写入。

什么应该写入？

适合写入：

• 用户明确要求“记住”
• 多次重复出现的偏好
• 长期稳定的项目事实
• 已验证的命令和路径
• 重要决策和结论

不适合写入：

• 临时情绪
• 未验证猜测
• 大段日志
• 机密信息
• 一次性任务细节

写入前要做总结

不要原样存聊天记录。
应该把对话压缩成短事实：

{
  "type": "preference",
  "subject": "response_style",
  "value": "用户偏好中文回答，先给结论再给细节",
  "confidence": 0.9,
  "source": "explicit_user_request",
  "updated_at": "2026-05-06"
}

给 Memory 加元数据

建议每条 memory 包含：

• type
• scope
• user_id
• project_id
• confidence
• source
• created_at
• updated_at
• expires_at

---

Memory 检索策略

读取 Memory 时不要“全量塞入 prompt”。
应该按任务检索相关记忆。

推荐流程

1. 识别当前任务类型
2. 读取 session memory
3. 检索用户偏好
4. 检索项目相关事实
5. 检索历史相似案例
6. 组装最小必要上下文

伪代码：

def build_context(user_id, project_id, query):
    short_term = session_store.get_recent(thread_id=query.thread_id, limit=10)
    profile = memory_store.search(("users", user_id), query.text, top_k=3)
    project = memory_store.search(("projects", project_id), query.text, top_k=5)
    cases = memory_store.search(("episodes", project_id), query.text, top_k=3)

    return assemble_context(
        short_term=short_term,
        profile=profile,
        project=project,
        cases=cases
    )

---

Memory 的风险与治理

1. 错误记忆

Agent 可能把错误结论写成长期事实。
解决方案：

• 写入时标注 confidence
• 用户确认后再提升权重
• 允许用户查看和删除记忆

2. 过期记忆

项目命令、路径、API 可能变化。
解决方案：

• 设置 updated_at
• 定期刷新
• 对低置信度记忆重新验证

3. 隐私风险

Memory 可能保存敏感信息。
解决方案：

• 禁止保存密钥、密码、token
• 对 PII 做脱敏
• 加密存储
• 按用户隔离 namespace

4. 上下文污染

塞入太多 Memory 会降低回答质量。
解决方案：

• top-k 检索
• 摘要压缩
• 按任务类型过滤
• 只注入最小必要记忆

---

Memory 最佳实践清单

设计原则

• 区分短期记忆和长期记忆
• 区分事实、偏好、流程和历史事件
• 先检索再注入，不要全量注入
• 写入前总结，写入后可修改
• 每条记忆都带来源和置信度
• 敏感信息默认不写入

技术选型

• 短期会话：Session / Checkpointer / Redis
• 长期事实：Postgres / SQLite / KV Store
• 语义检索：Vector DB
• 审计回放：事件日志
• 用户可控：Memory 管理 UI

工程落地

• 开发期可用内存存储
• 生产期使用数据库
• 对团队项目做 namespace 隔离
• 给用户提供“查看/删除/更新记忆”的入口
• 对 memory 写入建立 eval 或人工确认

---

一个推荐架构

---

常见误区

误区一：把聊天记录全存起来就是 Memory

不是。
聊天记录只是原始材料，Memory 应该是筛选、总结、结构化后的长期有用信息。

误区二：Memory 可以替代 RAG

不能。
Memory 适合保存用户和任务相关的个性化事实，RAG 适合检索大规模外部知识。

误区三：Memory 越多越好

不是。
过多记忆会污染上下文，甚至让 Agent 坚持过期信息。

误区四：所有记忆都应该自动写入

高质量 Memory 需要写入门槛。
用户明确要求、重复出现、长期稳定、已验证的信息才值得写。

---

总结

Agent Memory 的本质，是让 AI 从“一次性问答系统”变成“可持续协作伙伴”。

你可以这样记：

• 短期记忆保存当前任务连续性
• 长期记忆保存跨会话事实和偏好
• 语义记忆保存稳定知识
• 情景记忆保存历史事件
• 程序性记忆最终应该沉淀成 Skill 或 Rule

如果你正在构建生产级 Agent，建议从三件事开始：

1. 用 Session 或 Checkpointer 管理短期会话状态
2. 用独立 Store 管理长期用户偏好和项目事实
3. 给 Memory 写入加上总结、脱敏、置信度和用户可控机制

Memory 不是越自动越好，而是越可控越可靠。

参考资料

• LangGraph: Add memory
• LangGraph: Persistence
• LangChain: Long-term memory
• OpenAI Agents SDK: Sessions
• OpenAI Cookbook: Session memory
• Claude Code: Memory