什么是 Agent 记忆？
Agent 记忆（Agent Memory）是指 AI Agent 在执行任务过程中存储和管理信息的能力和机制。它类似于人类的记忆系统，使 Agent 能够记住过去的交互、经验和知识，并在后续任务中利用这些信息做出更好的决策。这种记忆机制对于实现持续学习和处理长期任务至关重要。
什么 Agent 需要记忆？
从技术角度来看，Agent
的记忆本质上是对大模型有限上下文的一种扩展。在 Agent
的生命周期中，用户或 Agent 会生成大量数据，而 AI
大模型能够处理的上下文是有限的，通常为 16K 到 2M tokens。这意味着，仅凭
AI 自身的上下文处理能力，无法直接处理如此庞大的数据量。
从产品角度看，Agent 记忆能够实现个性化交互、保持上下文连贯性，最重要的是有效降低运营成本。
- 个性化交互：例如，用户请求 AI 推荐一部电影。如果 Agent 具有记忆，AI 可以根据用户的历史兴趣推荐用户喜欢的电影类型，避免重复推荐已看过的电影，并根据用户的偏好推荐更符合其口味的影片。这种个性化体验可以增强用户黏性和满意度，提升使用频率。
- 保持上下文连贯性：自然语言交互的特殊性要求 AI 能够理解上下文，否则即使在同一个对话中也可能产生歧义或不连贯的回答。例如，用户询问“昨晚的电影怎么样？”如果没有记忆，AI 可能无法理解用户指的是哪一部电影。但如果 AI 具备记忆，它可以回忆起用户最近观看的电影，并准确回应：“昨晚您看的是《复仇者联盟》，整体评分较高，您觉得怎么样？”这样可以保持对话的流畅性和相关性，避免重复询问和误解。
- 降低运营成本：没有记忆的情况下，AI 每次对话都需要重新读取历史记录并进行上下文推理，这会增加计算资源的消耗并延长响应时间，影响用户体验。而有记忆后，AI 可以直接利用用户的历史信息和偏好来提供服务，避免每次都从头处理所有对话内容。这种方式大大减少了对后端计算的需求，提高了效率，降低了服务器和存储成本，从而有效减少运营成本。
RAG 与记忆的区别
严格来说，记忆是 RAG（Retrieval-Augmented Generation，检索增强生成）的一个子集，二者都从外部提取信息并融入到 LLM（大语言模型）生成的提示中，但它们的应用场景和目标有所不同。核心区别在于：RAG 侧重于知识为中心，而记忆侧重于以用户信息为中心。
- 使用场景
- RAG：用于在大型文档集合（如公司 Wiki、技术文档等）中检索信息。
- 记忆：专注于管理用户互动中的个性化信息，尤其是在多用户环境中。
- 信息密度
- RAG：处理密集的非结构化数据（如文本、表格），主要用于事实检索。
- 记忆：处理用户与 Agent 之间的多轮会话数据，注重优化交互体验。
- 检索方式
- RAG：通过语义搜索和嵌入式检索来匹配精确文档。
- 记忆：侧重于总结和压缩互动中的关键信息，优化上下文体验。
常见的 Agent 记忆机制对比
以下是目前最主流的几种记忆设计机制的对比（图片来公众号坚白
Gustavo）： 
下面是一个具体的例子，帮助大家理解这几种记忆机制的区别： 