AI Agent 从原理到应用，技术解析+实战拆解

关于Agent记忆系统的一些基础知识​

大模型单次独立API调用之间本身不具备记忆能力。​

​

举例说明：首次调用告知模型偏好橘子，若第二次调用未将该内容拼接至提示词中，模型便无法知晓此前的对话信息。​

​

​

💡

智能体（Agent）实现对话记忆的原理如下：​

用户每发起一轮交互，系统都会将完整历史对话随请求一同传入提示词，以此保留近期对话内容。当对话总量超出模型上下文长度上限时，系统会对历史记录进行总结压缩，再将精简后的内容重新写入提示词，从而释放空间、延续对话。​

​

以上即为大模型在长对话场景下维持记忆的完整逻辑，若理解存在困惑，可结合图示进一步参考。​

​

​

​

​

50%

​

​

​

​

50%

​

​

掌握单一会话的记忆机制后，再来了解跨会话的记忆实现方式，这就需要依托长期记忆系统。​

​

💡

该系统会在上下文压缩或收到记忆指令时，将关键信息持久存储；开启新对话后，再按需提取相关内容并并入提示词。通过这种信息流转的方式，让智能体具备长期记忆能力，原理与人脑的工作记忆、长期记忆机制相近。​

​

记忆系统​

智能体的完整记忆体系划分为三大核心类别：​

​

💡

•

情景记忆，用于记录过往交互与事件数据；​

•

语义记忆，用于储存固定的客观事实与用户属性偏好；​

•

程序性记忆，用于沉淀任务执行方法与标准化操作流程。​

​

​

​

三大记忆模块相辅相成，共同构成智能体完整的记忆系统。​

​

​

​

第一，记忆的分类：每种存什么？​

按时间和抽象程度，通常分为三类：​

•

短期记忆：当前对话或任务中的上下文，如用户刚说的“我想订明天去北京的机票”。它随着对话结束而清空。​

•

长期记忆：跨越多次会话的信息，如用户的偏好（“喜欢靠窗座位”）、背景（“住在成都”）、历史行为（“上个月投诉过客服”）。它又可分为：​

​

💡

•

事实记忆：客观事实，如“用户在成都”。​

​

•

经验记忆：智能体自身学习到的教训，如“上次调用API超时，下次应先检查网络”。​

第二，记忆的操作流程：如何抽取、更新、检索？​

抽取：从对话或执行日志中提炼出值得长期保存的信息，而非机械存储全部历史。常用方法包括：用LLM判断哪句话包含新事实或重要结论；用规则（如“用户提到‘我是……’”）；或用差异对比（比较当前陈述与已有记忆是否冲突或新增）。​

更新：解决信息冲突与过时问题。核心是合并逻辑：例如三个月前记录“用户在大理”，现在用户说“我搬到成都了”，系统应自动将地址更新为“成都”，而非同时保留两条矛盾记录。更新策略可以是：​

​

💡

•

覆盖式：新信息明确否定旧信息（如搬家）。​

•

追加式：新信息是补充（如“用户也喜欢喝咖啡”）。​

•

时间戳优先：以最新的为准。​

•

置信度合并：当信息来源可靠度不同时，采用高分值信息。​

​

检索：在需要时快速、准确地召回相关记忆。方法包括：​

​

💡

•

关键词检索：匹配精确词汇，适合查找地名、人名、订单号。​

•

语义检索：基于向量相似度，适合模糊查询（如“用户上次不开心的事情”）。​

•

融合检索：结合关键词与语义，平衡精确与泛化。​

•

LLM辅助检索：将记忆当作文档，让LLM分析上下文后主动决定召回哪些记忆（如“用户问‘我的包裹到了吗’，LLM意识到需要查询‘最近的订单号’和‘物流偏好’两条记忆”）。​

​

​

​

OpenClaw的记忆有多少种分类，分为下面三类：​

​

💡

memory.md（记忆）：​

属于语义记忆，存储，你的身份、偏好、稳定事实。​

daily logs（每日日志）：​

属于情景记忆，记录每天发生了啥，按天组织，只会添加新的条目，不会删除。​

​

​

​

抽取发生在三种情况下:​

​

💡

对话即将被压缩的时候：这个时候会讲有价值的信息写入每日日志中。​

你用 /new 或 /reset 命令开启一个新会话：会将有价值的信息保存到会话快照中。​

​

检索会发生在下面两种情况：​

​

💡

开启一个新的对话，就会将memory.md 都会被自动注入到 prompt，而且还会去读今天和昨天的每日日志，以获取最近的上下文。​

当OpenClaw觉得有必要看记忆时，会先调用memory search，通过融合搜索（关键词+向量）找到记忆所在地点，再通过 memory get读取文件内容。​

​

​

​

​

假如还是不太理解，可以看下图：​

​

OpenClaw 的记忆系统问题不少：​

​

很费Token​

Markdown 没了记忆就消失​

经常遗忘东西​

​

企业级 Agent 记忆系统​

之所以说“每一个程序员都该搞懂企业级Agent记忆系统”，原因在于：​

从“编写逻辑”到“编排上下文”：传统编程的核心是流程控制与数据结构的逻辑。而Agent编程的核心是上下文工程——如何高效地注入、检索、更新和淘汰信息。记忆系统就是Agent的“数据库+缓存+知识库”三位一体。​

企业级应用的刚需：一个只有“对话窗口”的聊天机器人毫无商业价值。企业需要的是能记住三个月前的项目决策、能学习用户偏好、能在长流程任务中保持一致性的智能体。没有记忆，Agent每轮对话都是“失忆患者”。​

差异化竞争点：所有主流模型（GPT-4、Claude、Gemini）的基座能力正快速趋同。真正让一个客服Agent优于另一个的，不是模型本身，而是它背后的记忆抽取质量、更新策略的智能程度和检索的精准度。​

第一问：记忆怎么分类？​

通用框架是 3 类，具体如下图：​

​

​

语义记忆​

​

💡

•

稳定特质：你是夜猫子、是程序员、住北京，这种长期不变的​

•

临时状态：你今天熬了夜、这周特别忙、上周感冒了​

​

情景记忆​

​

💡

•

Episode（剧情记忆）：把一段对话或任务梳理成的浓缩概要，不是按天的流水账 例：用户问怎么部署模型，卡在环境变量，折腾了 30 分钟​

•

EventLog（事件日志）：把对话里的关键事实拆出来，每条带时间戳 例：2026-05-10 用户买了 Mac mini，2026-05-12 用户绑了 GitHub​

•

Foresight（未来记）：跟时间有关的"接下来"——你说过要做的、它推断你之后会涉及的，带有效时间，到点能提醒 例：下周五前把方案发出来​

​

程序性记忆​

​

💡

•

Agent Case（任务档案）：干完一次任务，把"想干什么 + 一步步怎么做的 + 一个质量分"记下来​

例：发邮件，它先查通讯录、起草、让你确认、再发出去——这一套连同质量分一起存档​

•

Agent Skill（蒸馏技能）：同类任务做过几次后，自动从这些档案里蒸馏出通用打法，还带个成熟度分，做得越多越靠谱​

​

第二问：抽取、更新、检索怎么做？​

如何抽取记忆？​

记忆单元，每个单元里装 4 样东西：​

​

💡

•

剧情：这一段聊了什么、做了什么：一段浓缩的概要，不是原话照搬​

•

关键事实：里面有哪些值得单独拎出来记的事​

•

未来记：你说过要做的、它推断你之后会涉及的，带上有效时间，到点能提醒​

•

上下文标签：什么时候、在哪、可信度多高、当时什么情绪​

​

​

​

如何更新记忆呢？​

​

举个例子：​

一个月之前，你跟 AI 助手聊天时先说：我最近准备健身。两周后，你又说：最近忙，没去健身房。今天你说：算了，不健身了。​

​

普通方案是三条都堆进日志，到时候大模型检索出来哪条，就认为哪条是事实。但事实上，答案应该是最新的一条。​

•

自动判断哪条是最新的（健身已经停了）​

•

重复的、说的是同一件事的，合到一起​

•

维护一份你的用户画像，把稳定偏好和临时状态分开存（这一步官方叫 Profile Evolution）​

具体如下图所示：​

​

​

如何检索记忆呢？​

4 种检索方式，按场景选：​

​

💡

•

关键词：精确匹配词，适合查具体的名字、ID​

​

​

​

EverOS 在长程记忆评测 LoCoMo 上拿了 93.05% 的总体准确率（用 GPT-4.1-mini），把对比方案 Zep 的 85.22% 甩开了将近 8 个百分点。​

​

代码块​

Python

from everos import EverOS​

client = EverOS(api_key="your_key")​

agent = client.v1.memories.agent​

​

💡 两点要注意：​

•

第一次喂轨迹只生成 case（单次任务的存档），跑过几次同类任务后端才聚类蒸馏出 skill​

•

必须用 /memories/agent 这条端点，普通 /memories 抽不出 skill​

如果你不理解Skill自进化功能，可以看看下图：​

​

​

简单说一个代码上的用法，但这个项目作为Agent的基础设施，有着极为价值的真实使用案例。​

​

•

MemoCare（阿尔茨海默记忆助手）：给认知衰退的患者配一个永不遗忘的外部记忆——这是其中最有温度的一个公益项目​

•

Claude Code Plugin：给 Claude Code 装上长期记忆，跨 session 不忘​

•

Game of Thrones：给 AI 灌权游剧情演角色，长期记得自己是谁​

•

OpenHer：AI 女友，情感陪伴 + 记忆演化​

•

Computer-Use with Memory：让 Agent 操控电脑，记住每次操作的经验​

•

Memory Graph Visualization：把记忆系统画成可视化图谱​

​