AI Agent 的记忆系统应该如何设计？

简化版

Agent 记忆不是一个统一数据库，而是按生命周期拆分的分层状态：工作记忆保存当前任务，长期记忆（情景/语义/程序性）保存可复用的事实或经历，检索层按需把相关内容放回上下文。核心认知——记忆不会自动改变模型权重（把记录放进向量库 ≠ 微调），写入、检索、更新、过期、隔离、删除都要由应用显式管理。

详细版

常见分层：

工作记忆：当前目标、计划、工具观察、未完成步骤；
情景记忆：过去任务、动作、结果、反馈；
语义记忆：用户偏好、业务事实、提炼后的知识；
程序性知识：稳定规则、工具说明、操作流程（版本化配置维护）。

写入前判断价值、来源、权限、有效期；读取时结合语义相关性、时间、新鲜度、访问控制；用后处理冲突和反馈。不能把整段对话无限追加，也不能把模型总结未经验证当事实。

完整版教学

一、记忆 vs 上下文（先分清）

这是最容易混淆的概念：

上下文（context）：本次模型调用【可见】的信息（有窗口/成本/注意力限制）
记忆（memory）：   应用在【调用之间】保存、按需取回的信息（容量可扩展，但有成本与保留边界）

流程：长期记忆（大）── 检索/压缩/排序 ──> 只把相关部分放进上下文（小）

关键认知：把一条记录放进向量库，不会让模型”永久学会”它，也不等于微调——它只是「下次可能被检索回上下文」。记忆是外部存储 + 检索，不是模型能力。

二、四种记忆分层（各管什么）

类型	存什么	例子	存储
工作记忆	当前任务状态	当前步骤、已完成清单、错误计数	结构化状态
情景记忆	过去经历	上次这个任务怎么做的、结果如何	向量库 + 元数据
语义记忆	提炼的事实/偏好	用户偏好中文、公司政策	键值 + 向量
程序性知识	稳定规则/流程	工具说明、SOP	版本化配置

三、工作记忆：优先结构化，别只存对话

工作记忆是高频出错点。很多实现只把「对话历史」一路追加，导致模型从冗长历史里猜当前状态。正解是结构化状态：

✓ 结构化：{ task_id, current_step: 3, done: [1,2], key_facts: {...},
           error_count: 1, budget_left: 0.5 }
✗ 只存对话：把 20 轮原始对话全塞进去 → 模型猜"现在到哪一步了"

好处：可恢复执行、可校验前置条件、不用从历史猜状态。原始工具结果外部保存，上下文只传必要字段和引用。

四、长期记忆：不是所有对话都该存

写入要有策略，别无脑存：综合显式用户要求、重复使用价值、置信度、保留期限。用户偏好保留来源和时间；业务事实尽量来自权威系统而非模型推断。

Reflexion 一类方法把任务反馈提炼成文字反思供后续尝试用——注意这是上下文层面的经验复用，不是更新模型参数。

五、检索、冲突与安全（三个红线）

检索：结合关键词 + 向量 + 时间衰减 + 元数据过滤。

冲突：新旧记录冲突时优先权威来源和较新版本，并向用户暴露不确定性。关键——召回相关 ≠ 内容正确，尤其不能让过期地址/权限/价格直接驱动写操作。

安全与隐私：

长期记忆按【用户/租户/任务】隔离，敏感字段加密或不落库，提供查看/更正/删除
⚠️ 记忆污染：外部文档/工具结果可能含 Prompt Injection，
   未经筛选写入长期记忆 → 会在【未来会话】持续影响行为（持久化污染）
写入和读取都要执行访问控制，不能依赖模型自行判断

记忆钩子：相关性只决定“要不要取回”，来源、权限和新鲜度才决定“能不能相信并使用”；涉及写操作时，还必须回源权威系统确认。

六、写入、更新和删除必须形成生命周期

长期记录至少应包含 memory_id、主体/租户、内容、来源、置信度、创建时间、有效期、权限标签和版本。相同事实再次出现时不能简单追加一份副本：应按稳定主键更新、保留版本历史，并把冲突标记为待确认；用户要求删除时，还要同步清理原文、向量索引、缓存和派生摘要。

检索排序可以综合语义、时间和来源，但权限过滤必须在排序前由应用执行。例如候选库有 10,000 条记录，权限过滤后当前用户只能访问 320 条，再从中取 Top-20；若先在全库向量检索再让模型删除越权结果，Top-20 的内容和相似度本身就可能泄露其他租户信息。

score = 0.6 * semantic_similarity
      + 0.25 * source_authority
      + 0.15 * freshness

permission_filter -> ranking -> top_k -> 回源验证 -> 注入上下文

离线评测除 Recall@K 外，还要测错误写入率、过期记忆使用率、跨租户泄漏数、冲突解决正确率和删除完成率。假设 200 个需要历史偏好的任务中召回 180 个，但有 9 个使用了已过期地址，则召回率虽为 90%，危险使用率仍为 9/200=4.5%；两个指标必须分别报告。

七、常见误区与追问

误区：把记录放进向量库=模型学会了。 那只是外部存储，下次可能被检索回上下文，不改权重、不等于微调。
误区：工作记忆就是保留全部对话历史。 应优先结构化状态，否则模型从冗长历史猜当前步骤。
误区：召回的记忆内容一定正确。 召回只代表相关，过期/错误记忆不能直接驱动写操作。
误区：所有对话都值得长期保存。 要按价值/来源/权限/有效期筛选，无脑存会污染和涨成本。
误区：记忆写入读取靠模型判断权限。 必须应用层做访问控制和租户隔离。
追问：记忆和上下文什么区别？ 上下文是本次调用可见信息（有限），记忆是调用之间的外部存储（按需检索回上下文）。
追问：工作记忆为什么要结构化？ 可恢复执行、校验前置条件、不用从历史猜状态。
追问：什么是记忆污染？ 含注入的外部内容写进长期记忆，会在未来会话持续影响行为，要筛选+隔离+访问控制。

八、加强记忆

Agent 记忆记「结构化状态 + 受控长期存储 + 按需检索」：工作记忆（当前任务，优先结构化状态而非全对话）、情景/语义/程序性长期记忆（可复用经历/事实/规则）。核心认知钉死：记录放向量库≠模型学会（是外部存储+检索，不改权重）、召回相关≠内容正确（过期记忆别驱动写操作）、记忆污染是大坑（含注入的内容写进长期记忆会持久影响未来会话）。关键不只是记得住，更要保证来源、新鲜度、权限、可删除、不被污染。

项目实战落地

项目里怎么做的

《AI Agent旅游行程智能规划平台》的行程编排 Agent 用到三种记忆，写入方、存放位置和寿命各不相同：

记忆	存什么	谁写入	寿命
工作记忆	一次调用的执行上下文：运行 ID、轮次、候选池、城市、规则阈值、步骤序号	编排代码在每次调用模型前绑定到 ThreadLocal	一次调用结束就清掉
语义记忆	用户偏好画像：预算档位、节奏、兴趣标签等	用户在页面维护，新建行程单时拍成快照	画像长期保存，快照跟着行程单
情景记忆	每一版行程判出的问题和改进要求	硬校验没过时由代码写入 `agent_reflection`	同一次执行的各版之间

情景记忆的生命周期是这样的：

写入：一版排完跑 14 条硬校验，没过就把每条问题写成一行 agent_reflection，带轮次、规则编码、严重度、原样的问题描述、关联明细和一列 fix_instruction（给模型的改进要求）；通过的那一版补一条 ROUND_PASSED 记录；
读取：下一版把上一版的教训拼进 Prompt；落库之后同一批教训直接作为返回值交给下一版，不再查库；
清理：每一版都按轮次号留在库里，前面的版本不删不改；只有这张行程单下一次重新规划、前置校验全部通过之后，才清掉上一次的明细、校验和教训。

为什么这样取舍

教训要落库：不落库的话问题只在一次对话的上下文里，对话结束就没了，页面看不到第 1 版为什么被打回；落库后多版本对比页能逐版列出「这一版被判出了什么、给了什么改进要求」。
记忆都由代码或用户写入：问题来自代码判定，偏好来自用户填写，模型不负责决定记住什么。

面试官还会追问

预算超支时，改进要求里会点名几条明细？为什么不把所有明细都列出来？
编排时引用了候选池外的资源、被写入工具整条丢弃的明细，也会变成下一版的教训吗？

学完《AI Agent旅游行程智能规划平台》，上面这些追问你都会迎刃而解。

简化版

详细版