Agent 的记忆：是什么、为什么、怎么做
原文：Memory in Agents: What, Why and How · mem0.ai 作者：Taranjeet Singh 发表：2025-04-15 译注：本文为忠实中译，保留原文结构与表格。这是 mem0 记忆系列的开篇，立场偏 mem0 自家产品，阅读时请把「Mem0 怎么做」一节当作厂商视角参考。对照本目录的 开源记忆项目深度拆解 与 三家商用方案对比 一起看，判断会更平衡。
引子：当今 AI 中「记忆」的错觉
想象你在和一个忘掉你说过的一切的朋友聊天。每次对话都从零开始：没有记忆、没有上下文、没有进展。那会让人觉得别扭、累人、毫无温度。不幸的是，今天大多数 AI 系统正是这样工作的。它们很聪明，没错，但缺了一样关键的东西：记忆。
ChatGPT 或编程 copilot 这类工具，用着用着你就会发现自己在一遍又一遍地重复指令和偏好，原本的「好用」也就打了折扣。要构建能够学习、进化、协作的 Agent，真正的记忆不只是「锦上添花」——它是必需品。
这种由上下文窗口和巧妙的提示工程营造出来的「记忆错觉」，让很多人误以为 Agent 已经会「记住」了。但实际上，今天的大多数 Agent 是**无状态（stateless）**的：无法从过往交互中学习，也无法随时间适应。
要从无状态的工具，走向真正智能、自主的**（有状态）Agent，我们需要给它们记忆**——而不只是更大的提示词或更好的检索。
AI Agent 的「记忆」到底指什么
AI 记忆，或者说 AI Agent 记忆，是指 Agent 跨越时间、任务和多次用户交互，保留并回忆相关信息的能力。 记忆让 AI Agent 能记住过去发生了什么，并用这些信息改进未来的行为。
记忆不是只存聊天记录，也不是往提示词里塞更多 token。它是要构建一个持续演化的内部状态，这个状态会影响 Agent 的每一次交互——哪怕两次交互相隔数周甚至数月。
定义 Agent 记忆的三大支柱：
- 状态（State）：知道此刻正在发生什么
- 持久化（Persistence）：跨会话保留知识
- 取舍（Selection）：决定什么值得记住
三者合在一起，带来了我们过去从未拥有过的东西：连续性（continuity）。
记忆如何嵌入 Agent 技术栈
无状态 Agent（无记忆） vs 有状态 Agent（有记忆）
我们把记忆放进现代 Agent 的架构里看。典型组件有：
- 用于推理和生成答案的 LLM
- 一个策略 / 规划器（如 ReAct、AutoGPT 风格）
- 对工具 / API 的访问能力
- 一个检索器（retriever），用来拉取文档或历史数据
问题在于：这些组件没有一个记得昨天发生了什么。 没有内部状态，没有不断深化的理解，没有记忆。
把记忆加进循环后：
Agent 就从一次性的助手，变成了不断进化的协作者。
上下文窗口 ≠ 记忆
一个常见的误解是：上下文窗口足够大，就不再需要记忆了。
但这条路走不通，因为有几个固有的局限。其中最主要的一个是：给 LLM 喂更多上下文很贵——更多 token = 更高的成本和延迟。
| 特性 | 上下文窗口 | 记忆 |
|---|---|---|
| 保留时长 | 临时——每次会话都重置 | 持久——跨会话保留 |
| 作用范围 | 扁平、线性——对所有 token 一视同仁，没有优先级概念 | 分层、结构化——优先处理重要细节 |
| 扩展成本 | 高——随输入规模增长 | 低——只存储相关信息 |
| 延迟 | 更慢——更大的提示带来更多延迟 | 更快——经过优化且稳定 |
| 召回方式 | 基于「就近」——离得远的就忘了 | 基于意图或相关性 |
| 行为 | 被动反应——缺乏连续性 | 自适应——随每次交互而演化 |
| 个性化 | 没有——每次会话都是无状态的 | 深度——记住偏好与历史 |
上下文窗口帮助 Agent 在一次会话内保持一致。AI 记忆则让 Agent 能跨会话保持智能。即便上下文长度达到 10 万 token，缺少持久化、优先级和「显著性（salience）」，依然不足以支撑真正的智能。
为什么 RAG 不等于记忆
虽然 RAG（检索增强生成）和 AI Agent 记忆系统都通过检索信息来辅助 LLM，但它们解决的是非常不同的问题。
- RAG 在推理时把外部知识引入提示词。它擅长用文档中的事实为回答提供依据（grounding）。
- 但 RAG 本质上是无状态的——它对之前的交互、用户身份、当前问题与过往对话的关系，都毫无感知。
记忆则带来了连续性。它捕捉用户偏好、历史提问、决策与失败，并让这些信息在未来的交互中可用。
可以这样理解：
「RAG 让 Agent 答得更好。记忆让 Agent 行为更聪明。」
系统层面的关键差异
| 维度 | RAG：检索增强生成 | Agent 中的记忆 |
|---|---|---|
| 时间感知 | 没有时间或先后顺序的概念 | 跟踪交互的顺序、时序与演化 |
| 状态性 | 无状态；每次查询相互独立 | 有状态；上下文跨会话累积 |
| 用户建模 | 绑定任务；与用户身份无关 | 随用户学习并演化 |
| 适应性 | 无法从过往交互中学习 | 基于「什么有效、什么失败」来适应 |
你需要的是两者兼备——RAG 为 LLM 提供信息，记忆塑造它的行为。
Agent 记忆的类型：一个高层分类
在最基础的层面上，Agent 的记忆有两种形态：
- 短期记忆：保存单次交互内的即时上下文。
- 长期记忆：跨会话、跨任务、跨时间持久化知识。
就像人类一样，这两类记忆服务于不同的认知功能。短期记忆帮助 Agent 在当下保持连贯；长期记忆帮助它学习、个性化和适应。
进一步拆开看：
| 类型 | 作用 | 示例 |
|---|---|---|
| 工作记忆（短期） | 维持短时的对话连贯 | 「刚才那个问题是什么来着？」 |
| 事实记忆（长期） | 保留用户偏好、沟通风格、领域上下文 | 「你偏好 markdown 输出和简短回答。」 |
| 情景记忆（长期） | 记住具体的过往交互或结果 | 「上次我们部署这个模型时，延迟上升了。」 |
| 语义记忆（长期） | 存储随时间积累的、概括化的抽象知识 | 「涉及 JSON 解析的任务通常让你头疼，要不要给个快速模板？」 |
记忆的优势：Mem0 有何不同
译注：以下为厂商自述，可作为「一种记忆架构的设计取向」参考。
在 Mem0，AI 记忆是我们工作的核心。当其它 AI 系统把记忆当作事后补丁时，我们围绕「构建真正类人的记忆能力」搭建了整套架构：
- 智能过滤（Intelligent Filtering）：不是所有信息都值得记。Mem0 用优先级打分和上下文标签来决定什么被存下来。这避免了「记忆膨胀」，让 Agent 专注在重要的东西上——就像人类会下意识地过滤掉噪音。
- 动态遗忘（Dynamic Forgetting）：好的记忆系统需要有效地遗忘。Mem0 不把记忆当成一个静态的垃圾堆，而是让低相关度的条目随时间衰减，腾出空间和注意力。遗忘不是缺陷——它是智能记忆的一个特性。
- 记忆巩固（Memory Consolidation）：我们根据使用模式、近因和重要性，在短期和长期存储之间搬运信息，同时优化召回速度和存储效率。这模仿了我们内化知识的方式。
- 跨会话连续性（Cross-Session Continuity）：大多数 Agent 在会话结束时就重置了。Mem0 不会。我们的记忆架构跨会话、跨设备、跨时间段维护相关上下文。
AI 记忆的实战表现
看看记忆如何在真实场景中改变 Agent 的行为：
- 客服 Agent：不再把每个投诉都当成全新问题，而是记住过去的问题和解决方案——带来更顺滑、更个性化的支持。
- 个人助理：随时间适应你的习惯——比如根据你的作息（而不只是日历）来安排会议。
- 编程 Copilot：学习你的代码风格、偏好的工具，甚至主动避开你不喜欢的写法。
记忆是 AI Agent 的地基
当每个 Agent 都能用上相同的模型和工具时，记忆将成为最显而易见的差异化要素。胜出的，不会只是那个「会回应」的 Agent，而是那个会记住、会学习、会与你一同成长的 Agent。
记忆成为 AI Agent 的地基，让它们从一次性工具变成长久的队友——尤其是当它建立在可互操作（interoperable）的分层之上时。
下一篇预告：本文打了个基础。接下来的文章会更深入：
- 记忆在底层是怎么工作的——从架构、数据流，到实际集成。
- 记忆在 Agent 系统中的应用，配可上手的示例。
- 记忆的评估指标（召回率、显著性、老化）。
在那之前，记住这一句：
「如果你在思考人机交互的未来，记忆不是可选项。」