概述

AI Agent 的记忆系统是实现持续性智能的关键组件。根据信息保留时间和用途，记忆系统可分为三种类型：短期记忆、长期记忆和情景记忆。本篇文章详细介绍各类记忆的设计原则和实现方法。

三种记忆类型对比

类型	保留时间	容量	实现复杂度	适用场景
短期记忆	当前会话	有限	低	即时上下文
长期记忆	跨会话	大	中	知识积累
情景记忆	可配置	中	高	经验复用

短期记忆实现

短期记忆基于 LLM 的 Context Window，存储当前会话的对话历史：

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

class ShortTermMemory:
    def __init__(self, system_prompt: str):
        self.messages = [SystemMessage(content=system_prompt)]
        self.max_tokens = 128000  # GPT-4o context limit
    
    def add_user_message(self, content: str):
        self.messages.append(HumanMessage(content=content))
    
    def add_ai_message(self, content: str):
        self.messages.append(AIMessage(content=content))
    
    def get_context(self) -> list:
        # 自动截断超出限制的历史
        return self.messages[-20:]  # 保留最近 20 条

长期记忆实现

使用向量数据库存储跨会话知识：

import chromadb
from langchain_openai import OpenAIEmbeddings

class LongTermMemory:
    def __init__(self, collection_name: str = "agent_memory"):
        self.client = chromadb.PersistentClient(path="./memory")
        self.collection = self.client.get_or_create_collection(collection_name)
        self.embeddings = OpenAIEmbeddings()
    
    def remember(self, key: str, content: str, metadata: dict = None):
        vector = self.embeddings.embed_query(content)
        self.collection.add(
            documents=[content],
            embeddings=[vector],
            ids=[key],
            metadatas=[metadata or {}]
        )
    
    def recall(self, query: str, top_k: int = 5) -> list:
        query_vector = self.embeddings.embed_query(query)
        results = self.collection.query(
            query_embeddings=[query_vector],
            n_results=top_k
        )
        return results["documents"][0] if results["documents"] else []

情景记忆实现

情景记忆存储可复用的经验模式：

class EpisodicMemory:
    def __init__(self):
        self.episodes = []  # List of {situation, action, outcome}
    
    def store(self, situation: str, action: str, outcome: str):
        self.episodes.append({
            "situation": situation,
            "action": action,
            "outcome": outcome,
            "timestamp": "now"
        })
    
    def find_similar(self, current_situation: str) -> list:
        # 返回相似情景的最佳行动
        return self.episodes[-5:]  # 简化示例

设计权衡

何时使用短期记忆？

• 当前会话内的上下文保持
• 不需要跨会话保留的信息

何时使用长期记忆？

• 需要积累领域知识
• 跨会话学习用户偏好

何时使用情景记忆？

• 复用成功的行动模式
• 从历史经验中学习

参考资料

• LangChain Memory 组件
• Chroma 向量数据库
• Agent Memory 系统设计