AI Agent 的记忆机制：短期记忆与长期记忆实现

AI Agent 的记忆机制：短期记忆与长期记忆实现

记忆是 AI Agent 从"单次问答工具"进化为"持续学习助手"的关键。本文将系统介绍 Agent 的两种记忆类型及其实现方案。

一、为什么 Agent 需要记忆？

没有记忆的 Agent 就像金鱼——每次对话都是全新的开始。记忆让 Agent 能够：

• 记住用户偏好（如"我喜欢简洁的回答"）
• 保持对话上下文（多轮对话不脱节）
• 积累知识经验（从历史交互中学习）
• 识别用户身份（不同用户不同服务）

二、记忆分类：短期 vs 长期

维度 短期记忆 | 长期记忆 ----------------|----------存储内容当前对话上下文 | 历史对话、知识、经验生命周期会话期间 | 永久存储存储位置内存/Redis | 数据库/向量库检索方式全量加载 | 语义检索（相似度）技术方案ConversationBuffer | VectorStore + RAG

三、短期记忆实现

1. ConversationBufferMemory（缓冲区记忆）

最简单的短期记忆，将所有对话历史保存在内存中。

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()memory.save_context({"input": "你好"}, {"output": "你好！有什么可以帮你的？"})memory.save_context({"input": "我叫张三"}, {"output": "你好张三，很高兴认识你！"})

print(memory.load_memory_variables({})) # 返回完整对话历史

问题：对话越长，Token 消耗越多，最终超出模型上下文窗口。

2. ConversationBufferWindowMemory（滑动窗口）

只保留最近 N 轮对话，控制上下文长度。

from langchain.memory import ConversationBufferWindowMemory

memory = ConversationBufferWindowMemory(k=3) # 只保留最近3轮

3. ConversationSummaryMemory（摘要记忆）

当对话过长时，自动用 LLM 生成摘要，替代原始对话。

from langchain.memory import ConversationSummaryMemoryfrom langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4")memory = ConversationSummaryMemory(llm=llm)

memory.save_context({"input": "今天天气很好"}, {"output": "是的，适合出去走走！"})memory.save_context({"input": "你喜欢什么运动？"}, {"output": "我喜欢跑步和游泳。"})

print(memory.load_memory_variables({}))

输出：总结：用户今天提到天气好，询问了我的运动喜好。我喜欢跑步和游泳。

4. 组合方案：Token 限制 + 摘要

from langchain.memory import ConversationSummaryBufferMemory

memory = ConversationSummaryBufferMemory( llm=llm, max_token_limit=1000 # 超过1000 token时自动摘要)

四、长期记忆实现

长期记忆的核心是向量数据库（Vector Store）+ 语义检索。Agent 可以将历史信息存入向量库，需要时检索相关内容。

1. 基础架构

用户输入 -> 向量化 -> 相似度检索 -> 召回相关记忆 -> 注入Prompt -> LLM生成回复 ^ 历史对话存入向量库

2. 使用 FAISS 实现向量记忆

from langchain.memory import VectorStoreRetrieverMemoryfrom langchain_community.vectorstores import FAISSfrom langchain_openai import OpenAIEmbeddings, ChatOpenAIfrom langchain.schema import Document

初始化向量库和嵌入模型

embeddings = OpenAIEmbeddings()vector_store = FAISS.from_documents([Document(page_content="初始文档")], embeddings)retriever = vector_store.as_retriever(search_kwargs={"k": 3})

创建向量记忆

memory = VectorStoreRetrieverMemory(retriever=retriever)

存储记忆

memory.save_context( {"input": "我的职业是软件工程师"}, {"output": "好的，我记住了你是一名软件工程师。"})

检索记忆（根据语义相似度）

relevant = memory.load_memory_variables({"input": "我平时写什么代码？"})print(relevant)

可能召回："我的职业是软件工程师"

3. 使用 ChromaDB 持久化存储

from langchain_community.vectorstores import Chroma

持久化到磁盘

vector_store = Chroma( persist_directory="./chroma_db", embedding_function=embeddings)vector_store.persist()

4. 自定义长期记忆类

class LongTermMemory: def __init__(self, vector_store, embedding_model): self.vector_store = vector_store self.embedding = embedding_model def remember(self, text, metadata=None): """存储记忆""" doc = Document(page_content=text, metadata=metadata or {}) self.vector_store.add_documents([doc]) def recall(self, query, k=3): """检索记忆""" results = self.vector_store.similarity_search(query, k=k) return [r.page_content for r in results]

使用示例

ltm = LongTermMemory(vector_store, embeddings)ltm.remember("用户喜欢吃川菜，尤其是火锅", {"type": "preference", "user": "user_001"})ltm.remember("用户在深圳工作", {"type": "profile", "user": "user_001"})

print(ltm.recall("用户有什么饮食偏好？"))

输出：['用户喜欢吃川菜，尤其是火锅']

五、混合记忆架构：短期 + 长期

生产环境中通常需要同时使用两种记忆：

from langchain.memory import CombinedMemory

class HybridMemory: def __init__(self, short_term, long_term): self.short_term = short_term # ConversationBufferMemory self.long_term = long_term # VectorStoreRetrieverMemory def load_memory(self, query): """加载混合记忆""" short = self.short_term.load_memory_variables({}) long = self.long_term.load_memory_variables({"input": query}) return { "chat_history": short.get("history", ""), "relevant_memories": long.get("memory", "") }

使用

hybrid = HybridMemory( short_term=ConversationBufferMemory(memory_key="chat_history"), long_term=VectorStoreRetrieverMemory(retriever=retriever, memory_key="relevant_memories"))

六、记忆架构对比表

方案 适用场景 | 优点 | 缺点 ----------------|------|------ BufferMemory 短对话 | 实现简单 | 无法处理长对话 WindowMemory 中等长度对话 | 控制Token消耗 | 可能丢失重要信息 SummaryMemory 长对话 | 保留核心信息 | 摘要可能丢失细节 SummaryBufferMemory 超长对话 | 自动平衡 | 需要LLM生成摘要 VectorStoreMemory 长期知识 | 语义检索能力强 | 需要向量数据库 HybridMemory 生产环境 | 兼顾短期和长期 | 架构复杂

七、总结

记忆机制是 Agent 智能化的重要基石。短期记忆解决"对话连贯性"，长期记忆解决"知识积累"。在实际项目中，推荐采用SummaryBufferMemory + VectorStore的混合方案，既能控制上下文成本，又能实现长期知识检索。

---

下一篇将介绍 Agent 的工具调用（Tool Use）实战，教你如何让 Agent 真正"动手做事"。