关于
记忆是智能 Agent 的基石。设计和实现 Agent 记忆系统，包括短期记忆、长期记忆、情节记忆和语义记忆。
name: agent-memory-systems description: "记忆是智能代理的基石。没有它，每次交互都从零开始。此技能涵盖代理记忆的架构：短期记忆（上下文窗口）、长期记忆（向量存储）以及组织它们的认知架构。" risk: safe source: vibeship-spawner-skills (Apache 2.0) date_added: 2026-02-27
代理记忆系统
记忆是智能代理的基石。没有它，每次交互都从零开始。此技能涵盖代理记忆的架构：短期记忆（上下文窗口）、长期记忆（向量存储）以及组织它们的认知架构。
关键洞察：记忆不仅仅是存储——它是检索。存储一百万个事实毫无意义，如果你找不到正确的那个。分块、嵌入和检索策略决定了你的代理是记住还是遗忘。
该领域术语不一致且碎片化。我们使用 CoALA 认知架构框架：语义记忆（事实）、情景记忆（经验）和程序记忆（操作知识）。
原则
- 记忆质量 = 检索质量，而非存储数量
- 为检索而分块，而非为存储
- 上下文隔离是记忆的敌人
- 为正确的信息选择正确的记忆类型
- 衰减旧记忆——不是所有东西都应该永久保存
- 生产前测试检索准确性
- 后台记忆形成优于实时处理
能力
- agent-memory
- long-term-memory
- short-term-memory
- working-memory
- episodic-memory
- semantic-memory
- procedural-memory
- memory-retrieval
- memory-formation
- memory-decay
范围
- vector-database-operations → data-engineer
- rag-pipeline-architecture → llm-architect
- embedding-model-selection → ml-engineer
- knowledge-graph-design → knowledge-engineer
工具
记忆框架
- LangMem (LangChain) - 适用场景：带持久记忆的 LangGraph 代理 备注：语义、情景、程序记忆类型
- MemGPT / Letta - 适用场景：虚拟上下文管理，操作系统式记忆 备注：分层记忆层级，自动分页
- Mem0 - 适用场景：用于个性化的用户记忆层 备注：专为用户偏好和历史设计
向量存储
- Pinecone - 适用场景：托管式，企业级规模（数十亿向量） 备注：最佳查询性能，最高成本
- Qdrant - 适用场景：复杂元数据过滤，开源 备注：基于 Rust，优秀的过滤能力
- Weaviate - 适用场景：混合搜索，知识图谱特性 备注：GraphQL 接口，适合关系型数据
- ChromaDB - 适用场景：原型开发，中小型应用 备注：开发者友好，100K 向量时 p50 约 20ms
- pgvector - 适用场景：已使用 PostgreSQL，更简单的设置 备注：适合 <1M 向量，熟悉的工具链
嵌入模型
- OpenAI text-embedding-3-large - 适用场景：最佳质量，3072 维 备注：$0.13/1M tokens
- OpenAI text-embedding-3-small - 适用场景：良好平衡，1536 维 备注：$0.02/1M tokens，便宜 5 倍
- nomic-embed-text-v1.5 - 适用场景：开源，本地部署 备注：768 维，质量良好
- all-MiniLM-L6-v2 - 适用场景：轻量级，快速本地嵌入 备注：384 维，最低延迟
模式
记忆类型架构
为不同信息选择正确的记忆类型
适用场景：设计代理记忆系统
记忆类型架构（CoALA 框架）：
""" Three memory types for different purposes:
-
Semantic Memory: Facts and knowledge
- What you know about the world
- User preferences, domain knowledge
- Stored in profiles (structured) or collections (unstructured)
-
Episodic Memory: Experiences and events
- What happened (timestamped events)
- Past conversations, task outcomes
- Used for learning from experience
-
Procedural Memory: How to do things
- Rules, skills, workflows
- Often implemented as few-shot examples
- "How did I solve this before?" """
LangMem 实现
""" from langmem import MemoryStore from langgraph.graph import StateGraph
Initialize memory store
memory = MemoryStore( connection_string=os.environ["POSTGRES_URL"] )
Semantic memory: user profile
await memory.semantic.upsert( namespace="user_profile", key=user_id, content={ "name": "Alice", "preferences": ["dark mode", "concise responses"], "expertise_level": "developer", } )
Episodic memory: past interaction
await memory.episodic.add( namespace="conversations", content={ "timestamp": datetime.now(), "summary": "Helped debug authentication issue", "outcome": "resolved", "key_insights": ["Token expiry was root cause"], }, metadata={"user_id": user_id, "topic": "debugging"} )
Procedural memory: learned pattern
await memory.procedural.add( namespace="skills", content={ "task_type": "debug_auth", "steps": ["Check token expiry", "Verify refresh flow"], "example_interaction": few_shot_example, } ) """
记忆检索策略
选择正确的检索方法对记忆系统至关重要。常见策略包括：
- 语义搜索：基于嵌入相似度检索
- 时间衰减：最近的记忆权重更高
- 重要性评分：根据信息重要性排序
- 混合检索：结合多种策略