文章介绍智能体持久性记忆系统的实现，通过双路记忆堆栈（情节记忆+语义记忆）解决智能体"健忘"问题。使用向量数据库存储对话历史，图数据库管理实体关系，实现"交互-检索-生成-编码"闭环。提供完整代码实现，使智能体能够记住用户信息并提供深度个性化交互，从"工具"转变为"伴侣"。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

在前面的系列文章中，我们已经为智能体装上了“大脑”（Planning）、“双手”（Tool Call）甚至是“质检员”（PEV）。然而，即便这些功能再强大，标准智能体仍然面临一个致命的局限：健忘。

目前的对话智能体大多是“短时记忆”的产物，它们的记忆仅存在于当前会话。一旦对话重置，它们便会忘记你的名字、偏好以及你们曾共同探讨的深刻见解。

今天，我们将攻克智能体走向进化的关键一环——持久性记忆（Persistent Memory）。我们将模仿人类的认知架构，实现一个双路记忆堆栈：情节记忆（Episodic Memory）+ 语义记忆（Semantic Memory）。

---

一、 情节与语义：模仿人类的记忆分层

人类的记忆并非一团乱麻，而是有序分层的。在认知心理学中，长期记忆主要分为两类：

1. 情节记忆（Episodic Memory）：

• 定义：对特定事件或过去交互的记忆。
• 回答：“发生了什么？”（例如：“上周用户问过关于英伟达股价的问题”）。
• 实现方式：我们使用向量数据库（Vector DB），通过语义相似度检索相关的历史对话片段。

2. 语义记忆（Semantic Memory）：

• 定义：从事件中提炼出的结构化事实、概念和关系。
• 回答：“我知道什么？”（例如：“用户 Alex 是一位保守型投资者”、“Alex 对科技股感兴趣”）。
• 实现方式：我们使用图数据库（Neo4j），因为它擅长管理和查询实体间的复杂关系。

▲ Agent记忆系统核心功能示例

通过这两者的结合，Agent 不仅能回想起过去的对话“剧情”，还能在脑海中构建一张关于用户的“知识图谱”，从而实现深度定制的个性化交互。

---

二、 记忆增强智能体的工作流

整个记忆堆栈遵循“交互-检索-生成-编码”的闭环：

1. 交互（Interaction）：接收用户输入。
2. 检索（Recall）：

• 在情节向量库中搜索相似的对话历史。
• 在语义图数据库中查询与当前话题相关的实体事实。

3. 增强生成（Augmented Generation）：将检索到的双路记忆注入提示词，生成具备“历史记忆”的响应。
4. 编码（Encoding）：对话结束后，后台进程启动：

• 总结对话回合（生成新的情节记忆）。
• 提取实体关系（生成新的语义事实）。

5. 存储（Storage）：将新记忆持久化到向量库和图数据库。

---

三、 代码实战：构建双路记忆堆栈

3.1 环境准备

我们将使用 openai 的推理服务，以及****Neo4j 作为图数据库核心。需要在env文件中写入llm推理模型配置和embedding模型配置

# 安装必要库
!pip install -q -U langchain-openai langchain langgraph neo4j faiss-cpu tiktoken
import os, uuid, json
from typing import List, Dict, Any, Optional
from langchain_openai import ChatOpenAI
from langchain_community.graphs import Neo4jGraph
from langchain_community.vectorstores import FAISS
from langchain.docstore.document import Document
from langgraph.graph import StateGraph, END
# 初始化 LLM 与 嵌入模型
llm = ChatOpenAI(
base_url=os.environ.get("base_url"),
api_key=os.environ.get("api_key"),
model=os.environ.get("model"),
temperature=0,
)
embeddings = llm = ChatOpenAI(
base_url=os.environ.get("base_url"),
api_key=os.environ.get("api_key"),
model=os.environ.get("embedding_model"),
)
# 初始化情节记忆（向量库）
episodic_vector_store = FAISS.from_texts(["初始引导文档"], embeddings)
# 初始化语义记忆（图数据库）
graph = Neo4jGraph(
url=os.environ.get("NEO4J_URI"),
username=os.environ.get("NEO4J_USERNAME"),
password=os.environ.get("NEO4J_PASSWORD")
)

3.2 记忆制造者：Memory Maker

这是系统的核心，负责将对话“消化”并转化为记忆。

from pydantic import BaseModel, Field
class Node(BaseModel):
id: str = Field(description="节点唯一标识，如人名、公司代码或概念")
type: str = Field(description="节点类型，如 'User', 'Company', 'InvestmentPhilosophy'")
properties: Dict[str, Any] = Field(default_factory=dict)
class Relationship(BaseModel):
source: Node; target: Node
type: str = Field(description="关系类型，如 'IS_A', 'INTERESTED_IN'")
class KnowledgeGraph(BaseModel):
relationships: List[Relationship]
def create_memories(user_input: str, assistant_output: str):
conversation = f"User: {user_input}\nAssistant: {assistant_output}"
# 1. 提取情节记忆（总结）
summary_prompt = f"请为以下对话生成一句简明扼要的摘要：\n{conversation}"
episodic_summary = llm.invoke(summary_prompt).content
episodic_vector_store.add_documents([Document(page_content=episodic_summary)])
# 2. 提取语义记忆（图谱提取）
extractor_llm = llm.with_structured_output(KnowledgeGraph)
extraction_prompt = f"从以下对话中提取关键实体及其关系，侧重用户偏好和事实：\n{conversation}"
kg_data = extractor_llm.invoke(extraction_prompt)
if kg_data.relationships:
for rel in kg_data.relationships:
# 将提取出的关系写入 Neo4j
graph.add_graph_documents([rel], include_source=True)

3.3 记忆增强型 Agent 的逻辑

通过 LangGraph 构建一个包含“检索-生成-更新”的循环流程。

class AgentState(TypedDict):
user_input: str
retrieved_memories: Optional[str]
generation: str
def retrieve_memory(state: AgentState):
user_input = state['user_input']
# 检索情节记忆
docs = episodic_vector_store.similarity_search(user_input, k=2)
episodic = "\n".join([d.page_content for d in docs])
# 检索语义记忆（Cypher 查询）
semantic = str(graph.query("""
UNWIND $keywords AS keyword
CALL db.index.fulltext.queryNodes("entity", keyword) YIELD node, score
MATCH (node)-[r]-(related)
RETURN node.id, type(r), related.id LIMIT 5
""", {'keywords': user_input.split()}))
return {"retrieved_memories": f"【情节回顾】:\n{episodic}\n\n【已知事实】:\n{semantic}"}
def generate_response(state: AgentState):
prompt = f"""你是一个个性化金融助手。利用以下记忆来定制你的回复：
{state['retrieved_memories']}
用户问题：{state['user_input']}"""
response = llm.invoke(prompt).content
return {"generation": response}
# 构建 Graph 略（见系列前文）

---

四、 深度演示：Agent 如何“认识”你？

让我们模拟一个三轮对话，看看 Agent 记忆的成长。

第一轮：播种

用户：你好，我是 Alex，我是一个保守型投资者，主要对老牌科技股感兴趣。
Agent 响应：你好 Alex！专注于基本面稳健的老牌科技公司是很明智的。
后端变化：

• 情节记忆：存入“用户 Alex 介绍自己是保守型投资者，关注老牌科技股”。
• 语义图谱：创建节点 (User: Alex) -> [:HAS_GOAL] -> (Philosophy: Conservative)。

第二轮：深入

用户：你觉得苹果（AAPL）怎么样？
Agent 响应：对于保守型投资者，AAPL 是基石。它有巨额现金流和持续的分红…
后端变化：

• 语义图谱：增加关系 (User: Alex) -> [:INTERESTED_IN] -> (Company: AAPL)。

第三轮：记忆测试

用户：“基于我的目标，除了那支股票，还有什么好的替代方案？”
Agent 响应：“当然，Alex。基于你偏好的保守投资风格（语义记忆检索），既然你已经关注了苹果，微软（MSFT）是一个绝佳选择（逻辑推理）。它同样是科技巨头，但业务更多元化…”

注意：在第三轮中，用户没有提到自己的名字、风格和苹果公司，但 Agent 完美通过了“记忆测试”。

---

五、 总结与展望

在本文中，我们成功构建了一个具备情节+语义双路记忆的智能体。

• 无状态的失败：标准 Agent 会在第三轮对话中抓瞎，因为它不记得 Alex 也不记得 Apple。
• 记忆增强的成功：我们的 Agent 能够“检索发生了什么”（情节）并“提取已知事实”（语义），从而生成深度的个性化推荐。

这种结合是智能体从“工具”转变为“伴侣”的关键。虽然在规模化管理中还面临**记忆膨胀（Memory Bloat）和修剪（Pruning）**的挑战，但我们今天搭建的底层架构已经为未来的持续学习奠定了坚实基础。

智能体架构实战系列仍在继续，下一篇我们将探讨如何让 Agent 拥有“自我进化”的能力，敬请期待！

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓