Agent 记忆系统设计：短期记忆、长期记忆与记忆污染治理

---

开篇：没有记忆，Agent 不连续；记忆失控，Agent 不可信

很多团队在 Agent 上线后会遇到两个相反的问题：

1. 记不住：每轮都像第一次对话，用户体验割裂
2. 记太多：旧信息污染当前任务，甚至泄露不该引用的上下文

这说明一个关键事实：

记忆系统不是“多存一点上下文”这么简单，它本质是状态管理系统。

真正可用的 Agent 记忆，必须同时满足：

• 连续性（能延续任务）
• 正确性（不被过期信息误导）
• 可控性（可审计、可删除、可失效）

---

一、先统一概念：Agent 里到底有哪几种“记忆”

1.1 短期记忆（Session Memory）

• 范围：单次会话或单任务周期
• 内容：最近对话、当前任务参数、步骤进度
• 生命周期：分钟级到小时级

用途：保证多轮交互连续性。

1.2 长期记忆（Long-term Memory）

• 范围：跨会话长期保留
• 内容：偏好、习惯、历史决策摘要、常见问题背景
• 生命周期：天级到月级

用途：提升个性化和长期效率。

1.3 用户画像记忆（Profile Memory）

• 范围：结构化事实信息
• 内容：角色、部门、权限、常用系统、语言偏好
• 生命周期：受业务主数据约束

用途：作为决策“硬上下文”，不能由模型随意改写。

1.4 工作记忆（Working Memory）

• 范围：当前推理中间结果
• 内容：草稿、候选计划、中间判断
• 生命周期：极短，任务结束即清理

用途：支持复杂任务拆解，但不应默认持久化。

---

二、记忆架构：建议“分层存储 + 分级召回”

关键点：

• 不是所有信息都进长期记忆
• 记忆写入必须经过策略层（Writeback Policy）
• 召回必须有优先级和过滤条件

---

三、写入策略：先判定“值不值得记”

很多系统最大的问题是“什么都记”。
这样会快速导致噪声堆积和误召回。

3.1 推荐写入判定规则

仅当满足以下条件之一才写入长期记忆：

• 对后续任务有明确复用价值
• 是用户明确确认的偏好（例如语言、格式）
• 是稳定事实（例如岗位、权限范围）
• 经人工/系统校验为高置信信息

不建议写入的内容：

• 一次性临时对话
• 情绪性表达
• 未核验的推测结论
• 高敏感信息（除非合规允许且加密存储）

3.2 写入前的“压缩与摘要”

不要直接存整段对话，建议存结构化摘要：

{
  "memory_type": "user_preference",
  "user_id": "u_123",
  "content": "偏好简洁回答，优先表格",
  "confidence": 0.92,
  "source": "conversation_20260508_01",
  "expires_at": "2026-08-08T00:00:00Z"
}

这能显著降低噪声和存储成本。

---

四、召回策略：不是“全量塞进 Prompt”

很多 Agent 的不稳定，本质是上下文过载和记忆冲突。

4.1 分层召回优先级（推荐）

1. Profile（硬约束事实）
2. 当前 Session（最近任务上下文）
3. 长期记忆（相关偏好/历史）
4. 外部知识库（RAG）

4.2 召回过滤条件

• 时间衰减：越新的权重越高
• 来源可信度：人工确认 > 自动抽取
• 任务相关度：只召回与当前意图相关记忆
• 权限范围：跨租户/跨角色严格隔离

---

五、记忆污染：Agent 项目里的“慢性故障”

所谓记忆污染，是指错误、过期、冲突信息进入记忆并被持续复用。

典型表现：

• 用户已更换部门，Agent 仍按旧权限回答
• 一次误识别的偏好长期影响输出风格
• 旧流程规则覆盖新制度

5.1 污染来源

1. 自动写入阈值过低
2. 没有过期机制
3. 没有冲突检测
4. 没有删除/更正通道

5.2 治理手段（Memory Hygiene）

• 记忆 TTL（自动失效）
• 版本标记（source + updated_at）
• 冲突仲裁（新旧冲突时按可信度和时间决策）
• 用户可见与可删（遵循数据治理要求）

---

六、冲突处理：当两条记忆打架时怎么办

建议建立显式冲突策略，而不是让模型“自己理解”。

6.1 冲突仲裁规则（示例）

优先级从高到低：

1. 主数据系统事实（HR/CRM/权限系统）
2. 人工确认记忆
3. 近期高置信记忆
4. 旧自动抽取记忆

6.2 冲突返回策略

对高风险任务（审批、财务、法务）：

• 冲突即中止自动执行
• 返回“信息冲突，需人工确认”

对低风险任务：

• 使用最高优先级记忆
• 在回答中注明依据来源

---

七、代码示例：最小可用 Memory Manager（Python）

from dataclasses import dataclass
from datetime import datetime, timedelta
from typing import List

@dataclass
class MemoryItem:
    user_id: str
    memory_type: str
    content: str
    confidence: float
    source: str
    created_at: datetime
    expires_at: datetime

class MemoryManager:
    def __init__(self, store):
        self.store = store

    def should_write(self, item: MemoryItem) -> bool:
        if item.confidence < 0.8:
            return False
        if item.memory_type not in {"user_preference", "stable_fact", "task_pattern"}:
            return False
        return True

    def write(self, item: MemoryItem):
        if not self.should_write(item):
            return
        self.store.upsert(item)

    def recall(self, user_id: str, intent: str, limit: int = 8) -> List[MemoryItem]:
        candidates = self.store.query(user_id=user_id, intent=intent)
        now = datetime.utcnow()
        filtered = [m for m in candidates if m.expires_at > now]
        filtered.sort(key=lambda x: (x.confidence, x.created_at), reverse=True)
        return filtered[:limit]

    def cleanup(self):
        self.store.delete_expired(datetime.utcnow())

# 写入示例
item = MemoryItem(
    user_id="u_1001",
    memory_type="user_preference",
    content="偏好输出带步骤列表",
    confidence=0.93,
    source="session_20260508_1",
    created_at=datetime.utcnow(),
    expires_at=datetime.utcnow() + timedelta(days=30),
)

这段代码体现三个工程原则：

• 写入要有阈值（不是全收）
• 召回要有过滤（不是全取）
• 存储要有清理（不是只增不减）

---

八、记忆与 RAG 的边界：不要混成一个桶

很多团队把“用户长期偏好”和“企业知识库片段”混在同一向量库召回。
结果是：

• 回答时把用户偏好当事实
• 把知识文档当个性化记忆

建议明确分层：

• RAG：外部客观知识（制度、文档、FAQ）
• Memory：用户与任务状态（偏好、历史、上下文）

两者在 Context Builder 层融合，而不是在存储层混存。

---

九、多 Agent 场景下的记忆共享策略

在多 Agent 架构里，记忆共享要“最小必要原则”。

9.1 推荐共享模型

• Supervisor 读全局任务状态
• Specialist 只读本子任务相关记忆
• 高风险记忆（权限、合规）只读不可写

9.2 防止“错误扩散”

• 子 Agent 产出的中间记忆默认不入长期库
• 必须经过 Review Agent 或规则校验才可写入

---

十、可观测性：没有记忆观测，就没有治理能力

建议监控这些指标：

• 记忆写入成功率
• 召回命中率（是否被模型实际使用）
• 过期清理率
• 冲突率
• 用户纠错率（用户说“你记错了”）

---

十一、合规与隐私：记忆系统必须可治理

尤其在企业场景，记忆系统常涉及个人信息。
必须具备：

• 数据最小化（只存必要字段）
• 可删除能力（用户请求删除时可执行）
• 可审计能力（知道何时写入/读取）
• 敏感字段加密与脱敏
• 租户隔离与权限控制

原则：

记忆系统首先是数据系统，其次才是 AI 系统。

---

十二、上线 Checklist（记忆系统专项）

设计层

• 已拆分短期/长期/Profile 记忆
• 写入策略有明确阈值与白名单
• 召回策略有相关性与时间过滤

治理层

• TTL 与清理任务已启用
• 冲突检测与仲裁规则已定义
• 用户纠错与删除流程可执行

风险层

• 敏感数据加密与脱敏已上线
• 记忆读写日志可审计
• 租户隔离已验证

---

结语

记忆是 Agent 连续体验的核心，也是不稳定风险的来源。
真正成熟的记忆系统，不是“记得多”，而是“记得准、忘得掉、可治理”。

会记忆的 Agent 很常见，
会治理记忆的 Agent 才能进生产。

---

下一篇预告

下一篇进入生产工程核心：

《生产级可靠性：从能跑到稳定（超时、重试、限流、降级、回放）》

重点包括：

• 全链路可靠性设计蓝图
• 故障隔离与降级矩阵
• 线上事故排查与回放机制