03 - Memory 机制详解：让 Agent 拥有长期记忆
AI Agent 开发教程 第 03 课
📅 2026 年 3 月 | 👨💻 @Gale2World
📋 课程目标
学完本课后，你将能够：
- ✅ 理解 Agent Memory 的工作原理
- ✅ 实现短期记忆和长期记忆
- ✅ 掌握向量数据库的使用
- ✅ 构建有记忆的 AI Agent
一、为什么需要 Memory？
1.1 问题场景
makefile
用户：我叫张三
Agent: 你好张三！
[10 分钟后]
用户：我叫什么名字？
Agent: 抱歉，我不知道...没有记忆的 Agent 就像金鱼，只有 7 秒记忆！
1.2 Memory 的作用
| 作用 | 说明 | 示例 |
|---|---|---|
| 上下文连贯 | 记住对话历史 | 多轮对话 |
| 个性化 | 记住用户偏好 | 喜欢的风格 |
| 知识积累 | 存储 learned 信息 | 项目文档 |
| 任务跟踪 | 记住任务状态 | 待办事项 |
二、Memory 架构
2.1 三层记忆模型
scss
┌─────────────────────────────────────┐
│ 长期记忆 (Long-term) │
│ 向量数据库存储，永久保存 │
├─────────────────────────────────────┤
│ 短期记忆 (Short-term) │
│ 对话历史，有限上下文 │
├─────────────────────────────────────┤
│ 工作记忆 (Working) │
│ 当前任务相关，临时缓存 │
└─────────────────────────────────────┘2.2 记忆类型对比
| 类型 | 容量 | 持久性 | 访问速度 | 用途 |
|---|---|---|---|---|
| 工作记忆 | 小 | 临时 | 极快 | 当前任务 |
| 短期记忆 | 中 | 会话级 | 快 | 对话历史 |
| 长期记忆 | 大 | 永久 | 中 | 知识库 |
三、实现方案
3.1 短期记忆：对话历史
python
class ShortTermMemory:
def __init__(self, max_length=10):
self.history = []
self.max_length = max_length
def add(self, role, content):
"""添加消息到历史"""
self.history.append({
"role": role,
"content": content,
"timestamp": datetime.now()
})
# 保持固定长度
if len(self.history) > self.max_length:
self.history.pop(0)
def get_context(self):
"""获取对话上下文"""
return self.history
def clear(self):
"""清空历史"""
self.history = []
# 使用示例
memory = ShortTermMemory(max_length=20)
memory.add("user", "我叫张三")
memory.add("assistant", "你好张三！很高兴认识你")3.2 长期记忆：向量数据库
安装依赖
bash
pip install chromadb langchain实现代码
python
import chromadb
from chromadb.config import Settings
class LongTermMemory:
def __init__(self, persist_dir="./memory_db"):
# 初始化客户端
self.client = chromadb.Client(Settings(
persist_directory=persist_dir,
anonymized_telemetry=False
))
# 创建集合
self.collection = self.client.get_or_create_collection(
name="agent_memory",
metadata={"description": "Agent 长期记忆"}
)
def add_memory(self, text, metadata=None):
"""添加记忆"""
self.collection.add(
documents=[text],
metadatas=[metadata or {}],
ids=[f"mem_{datetime.now().timestamp()}"]
)
def search(self, query, n_results=5):
"""搜索相关记忆"""
results = self.collection.query(
query_texts=[query],
n_results=n_results
)
return results["documents"][0]
def get_all(self):
"""获取所有记忆"""
return self.collection.get()
# 使用示例
memory = LongTermMemory()
# 添加记忆
memory.add_memory(
"用户喜欢 Python 编程",
{"type": "preference", "user": "张三"}
)
memory.add_memory(
"项目使用 FastAPI 框架",
{"type": "project_info", "project": "api-server"}
)
# 搜索记忆
related = memory.search("用户的技术偏好")
print(related) # ["用户喜欢 Python 编程"]四、完整 Agent 实现
4.1 有记忆的 Agent 类
python
from openai import OpenAI
class AgentWithMemory:
def __init__(self, api_key):
self.client = OpenAI(api_key=api_key)
self.short_memory = ShortTermMemory(max_length=20)
self.long_memory = LongTermMemory()
self.system_prompt = "你是一位友好的 AI 助手"
def chat(self, user_input):
# 1. 从长期记忆检索相关信息
relevant_memories = self.long_memory.search(user_input, n_results=3)
# 2. 构建上下文
context = self._build_context(relevant_memories)
# 3. 准备消息
messages = [
{"role": "system", "content": self.system_prompt + context}
] + self.short_memory.get_context()
messages.append({"role": "user", "content": user_input})
# 4. 调用 API
response = self.client.chat.completions.create(
model="gpt-4",
messages=messages
)
assistant_reply = response.choices[0].message.content
# 5. 更新短期记忆
self.short_memory.add("user", user_input)
self.short_memory.add("assistant", assistant_reply)
# 6. 重要信息存入长期记忆
self._extract_and_store(user_input, assistant_reply)
return assistant_reply
def _build_context(self, memories):
"""构建上下文"""
if not memories:
return ""
context = "\n相关背景信息：\n"
for mem in memories:
context += f"- {mem}\n"
return context
def _extract_and_store(self, user_input, reply):
"""提取重要信息存储"""
# 简单规则：包含个人信息的存入长期记忆
keywords = ["我叫", "我喜欢", "我是", "记住"]
if any(kw in user_input for kw in keywords):
self.long_memory.add_memory(
f"用户说：{user_input}",
{"type": "user_info"}
)
# 使用示例
agent = AgentWithMemory(api_key="your-key")
print(agent.chat("我叫张三"))
# 输出：你好张三！很高兴认识你
print(agent.chat("记住我喜欢 Python"))
# 输出：好的，我已经记住你喜欢 Python 了
print(agent.chat("我喜欢什么？"))
# 输出：你喜欢 Python五、高级技巧
5.1 记忆压缩
python
def compress_memory(memories):
"""压缩记忆，减少 token 消耗"""
# 使用 LLM 总结
prompt = f"""
请总结以下对话历史，保留关键信息：
{memories}
要求：
1. 保留人名、时间、事件等关键信息
2. 压缩到原文的 30%
3. 保持语义完整
"""
# 调用 API 获取总结...5.2 记忆优先级
python
class PriorityMemory:
def __init__(self):
self.memories = []
def add(self, text, importance=1):
"""添加记忆，importance 1-5"""
self.memories.append({
"text": text,
"importance": importance,
"access_count": 0,
"last_access": datetime.now()
})
def get_relevant(self, query, top_k=5):
"""获取相关记忆，考虑重要性"""
# 按重要性和访问频率排序
sorted_mems = sorted(
self.memories,
key=lambda x: x["importance"] * (x["access_count"] + 1),
reverse=True
)
return sorted_mems[:top_k]5.3 记忆遗忘
python
def forget_old_memories(memories, days=30):
"""遗忘超过 N 天且未访问的记忆"""
cutoff = datetime.now() - timedelta(days=days)
filtered = [
m for m in memories
if m["last_access"] > cutoff or m["importance"] >= 4
]
return filtered六、实战项目
个人助手 Agent
python
class PersonalAssistant:
def __init__(self):
self.agent = AgentWithMemory(api_key="your-key")
def run(self):
print("🤖 个人助手已启动（输入 quit 退出）")
while True:
user_input = input("你：").strip()
if user_input.lower() in ["quit", "exit", "bye"]:
print("再见！👋")
break
if not user_input:
continue
reply = self.agent.chat(user_input)
print(f"助手：{reply}\n")
# 启动
if __name__ == "__main__":
assistant = PersonalAssistant()
assistant.run()七、常见问题
Q1: 向量数据库怎么选？
A:
- 本地开发：Chroma（简单）
- 生产环境：Pinecone/Weaviate（高性能）
- 大规模：Milvus（分布式）
Q2: 记忆太多怎么办？
A: 实现记忆压缩和遗忘机制
Q3: 如何保证记忆准确性？
A: 定期验证和更新记忆，设置置信度
📝 课后作业
- 实现一个简单的对话记忆系统
- 集成 ChromaDB 存储长期记忆
- 测试 Agent 能否记住你的个人信息
- 实现记忆压缩功能
🔗 参考资料
下一课： 04 - Tools 系统开发