Google Agent Development Kit (ADK) 指南第六章：记忆与状态管理

系列教程：这是《Google ADK 指南》系列的第六章。

前置知识：已完成第五章，掌握工具集成。

1. 记忆系统基础

1.1 记忆的作用

记忆系统让 Agent 能够：

💬 保持上下文：多轮对话连贯
👤 记住用户：个性化服务
📚 积累经验：持续学习改进
🔗 关联信息：跨会话知识

1.2 记忆架构

复制代码

┌─────────────────────────────────────────────────────┐
│                    记忆管理系统                      │
├─────────────────────────────────────────────────────┤
│  ┌───────────────┐  ┌───────────────┐               │
│  │    短期记忆    │  │   长期记忆    │               │
│  │   (对话历史)   │  │  (向量存储)   │               │
│  └───────┬───────┘  └───────┬───────┘               │
│          │                  │                       │
│          └────────┬─────────┘                       │
│                   ↓                                 │
│          ┌───────────────┐                          │
│          │   记忆管理器   │                          │
│          │   (检索/更新)  │                          │
│          └───────────────┘                          │
└─────────────────────────────────────────────────────┘

1.3 记忆类型对比

类型	存储内容	存储位置	生命周期
短期记忆	对话历史	内存/Redis	会话期间
长期记忆	重要事实	向量数据库	永久
程序记忆	技能规则	配置文件	永久
情景记忆	特定事件	数据库	按需

2. 短期记忆

2.1 对话缓冲记忆

python 复制代码

from google.adk.memory import ConversationBufferMemory

# 基础配置
memory = ConversationBufferMemory(
    max_turns=10,           # 保留 10 轮对话
    max_tokens=4000,        # 最多 4000 tokens
    return_messages=True    # 返回消息对象
)

# 使用
agent = Agent(memory=memory)

# 添加消息
memory.add_message(role="user", content="你好")
memory.add_message(role="assistant", content="你好！有什么可以帮助你的？")

# 获取历史
history = memory.get_history()
# 输出：[("user", "你好"), ("assistant", "你好！...")]

# 清除记忆
memory.clear()

2.2 窗口记忆

python 复制代码

from google.adk.memory import ConversationWindowMemory

# 只保留最近 N 轮
memory = ConversationWindowMemory(
    window_size=5,  # 最近 5 轮
    include_summary=True  # 包含早期对话摘要
)

# 自动摘要早期对话
# 对话 1-10: 摘要
# 对话 11-15: 完整历史

2.3 实体记忆

python 复制代码

from google.adk.memory import EntityMemory

# 提取并存储实体信息
memory = EntityMemory(
    entities=["user_name", "preferences", "location"],
    extraction_prompt="从对话中提取用户信息"
)

# 自动提取
memory.extract_and_store("我叫张三，喜欢喝咖啡")
# 存储：{"user_name": "张三", "preferences": ["咖啡"]}

# 查询实体
name = memory.get_entity("user_name")  # "张三"

3. 长期记忆

3.1 向量记忆

python 复制代码

from google.adk.memory import VectorStoreMemory
from google.adk.vectorstores import VertexAISearch

# 配置向量存储
memory = VectorStoreMemory(
    store=VertexAISearch(
        project_id="your-project",
        location_id="global",
        index_id="memory-index"
    ),
    embedding_model="text-embedding-004",
    top_k=5
)

# 添加记忆
memory.add("用户喜欢红色产品", metadata={"user_id": "u123", "category": "preference"})
memory.add("用户住在北京", metadata={"user_id": "u123", "category": "location"})

# 语义搜索
results = memory.search("用户偏好什么颜色？")
# 返回最相关的记忆

3.2 总结记忆

python 复制代码

from google.adk.memory import SummaryMemory

# 自动总结对话
memory = SummaryMemory(
    summarizer=Agent(
        model=Gemini("gemini-2.0-flash"),
        instruction="用一句话总结对话要点"
    ),
    summary_interval=10  # 每 10 轮总结一次
)

# 对话过程中自动创建总结
# "用户咨询了产品 A 的价格和库存，表示考虑购买"

3.3 组合记忆

python 复制代码

from google.adk.memory import CompositeMemory

# 多层记忆系统
memory = CompositeMemory(
    # 短期：最近对话
    short_term=ConversationBufferMemory(max_turns=10),
    
    # 中期：会话摘要
    mid_term=SummaryMemory(),
    
    # 长期：向量存储
    long_term=VectorStoreMemory(
        store=VertexAISearch(...)
    ),
    
    # 实体：用户信息
    entity=EntityMemory(entities=["profile", "preferences"])
)

# 检索时融合所有记忆
context = memory.get_context(query="用户喜欢什么？")

4. 状态管理

4.1 会话状态

python 复制代码

from google.adk.state import SessionState

# 创建会话状态
state = SessionState(
    session_id="session_123",
    ttl=3600  # 1 小时过期
)

# 设置状态
state.set("user_id", "u123")
state.set("cart_items", ["item1", "item2"])
state.set("current_step", "payment")

# 获取状态
user_id = state.get("user_id")
cart = state.get("cart_items")

# 更新状态
state.update("cart_items", lambda x: x + ["item3"])

# 删除状态
state.delete("current_step")

# 清除所有
state.clear()

4.2 工作流状态

python 复制代码

from google.adk.state import WorkflowState

# 多步骤工作流状态
state = WorkflowState(
    workflow_id="order_process",
    steps=["validate", "payment", "ship", "complete"]
)

# 推进状态
state.next_step()  # validate → payment
state.goto("ship")  # 直接跳转到 ship

# 检查状态
if state.current_step == "payment":
    process_payment()

# 状态回滚
state.rollback()  # 回到上一步

# 状态持久化
state.save()  # 保存到数据库
state.load()  # 从数据库加载

4.3 用户状态

python 复制代码

from google.adk.state import UserState

# 用户级别状态
user_state = UserState(
    user_id="u123",
    storage="redis"  # 或 "database", "gcs"
)

# 用户画像
user_state.set_profile({
    "name": "张三",
    "level": "VIP",
    "preferences": {"color": "红色", "category": "电子产品"},
    "history": ["order_001", "order_002"]
})

# 访问计数
user_state.increment("visit_count")
user_state.increment("purchase_count")

# 最后活跃时间
user_state.update("last_active", datetime.now())

5. 记忆优化策略

5.1 记忆压缩

python 复制代码

from google.adk.memory import CompressedMemory

# 压缩长对话
memory = CompressedMemory(
    compressor=Agent(
        model=Gemini("gemini-2.0-flash"),
        instruction="压缩对话，保留关键信息"
    ),
    compression_ratio=0.3,  # 压缩到 30%
    trigger_tokens=3000     # 超过 3000 tokens 时压缩
)

# 原始对话：3000 tokens
# 压缩后：900 tokens

5.2 记忆优先级

python 复制代码

from google.adk.memory import PrioritizedMemory

# 给记忆设置优先级
memory = PrioritizedMemory(
    priority_rules={
        "user_name": 10,      # 高优先级
        "preferences": 8,
        "chat_history": 5,    # 低优先级
        "temporary": 1
    }
)

# 空间不足时，优先保留高优先级记忆

5.3 记忆过期

python 复制代码

from google.adk.memory import ExpiringMemory

# 设置记忆过期时间
memory = ExpiringMemory(
    default_ttl=86400,  # 默认 1 天
    rules={
        "session_data": 3600,      # 会话数据 1 小时
        "user_profile": 604800,    # 用户信息 7 天
        "preferences": 2592000     # 偏好 30 天
    }
)

# 自动清理过期记忆
memory.cleanup_expired()

5.4 记忆缓存

python 复制代码

from google.adk.memory import CachedMemory

# 缓存频繁访问的记忆
memory = CachedMemory(
    backend="redis",
    ttl=300,  # 5 分钟
    max_size=1000
)

# 热点记忆自动缓存
# 减少数据库查询

5.5 性能监控

python 复制代码

from google.adk.memory import MonitoredMemory

memory = MonitoredMemory(
    base_memory=ConversationBufferMemory(...),
    metrics=[
        "access_latency",
        "storage_size",
        "hit_rate"
    ]
)

# 获取指标
metrics = memory.get_metrics()
# {"access_latency": 0.05, "storage_size": "1MB", "hit_rate": 0.95}

系列教程导航：

第一章：ADK 简介与对比
第二章：环境搭建与快速开始
第三章：核心概念与架构
第四章：Agent 开发与编排
第五章：工具集成与自定义
第六章：记忆与状态管理 ← 本章
第七章：企业级功能与安全
第八章：实战案例与最佳实践

Google Agent Development Kit (ADK) 指南 第六章：记忆与状态管理

Google Agent Development Kit (ADK) 指南 第六章：记忆与状态管理

目录

1. 记忆系统基础

1.1 记忆的作用

1.2 记忆架构

1.3 记忆类型对比

2. 短期记忆

2.1 对话缓冲记忆

2.2 窗口记忆

2.3 实体记忆

3. 长期记忆

3.1 向量记忆

3.2 总结记忆

3.3 组合记忆

4. 状态管理

4.1 会话状态

4.2 工作流状态

4.3 用户状态

5. 记忆优化策略

5.1 记忆压缩

5.2 记忆优先级

5.3 记忆过期

5.4 记忆缓存

5.5 性能监控

Google Agent Development Kit (ADK) 指南第六章：记忆与状态管理

Google Agent Development Kit (ADK) 指南第六章：记忆与状态管理