会议笔记：AI Agent 长期记忆（Long-term Memory）分享会
时间：2025 年 5 月 25 日
主题：long term memory for AI agents------ 让 AI Agent 拥有持续上下文与长期记忆
分享人：李老师
一、开场核心认知
本次分享聚焦 AI Agent 记忆（Agent Memory），核心是跨越时间的意图与状态管理系统，是 Agent 基础设施的核心，堪称 "皇冠上的明珠"。
ToC 端 AI 产品中，无记忆 = 45% 用户流失，记忆不是附加功能，而是产品留存的关键。
人类意图天然模糊、不完整，且交互中会不断涌现新想法，无记忆的 Agent 无法支撑长期任务，也难以保持身份、目的一致性。
二、主流产品记忆设计对比（我的视角：不同场景，记忆逻辑天差地别）
- ChatGPT（通用对话类 Agent）
核心需求：记住用户偏好、事实、会话上下文，用户反感重复设置、重建上下文。
记忆分层：
Saved Memory：长期存储用户稳定偏好、事实；
Chat History：管理会话历史，支持分支对话、会话恢复；
合规要求：适配 GDPR 等数据隐私法规，用户可自主管理记忆。
迭代时间线：2024.2 测试版→2024.9 正式上线（付费 / 企业）→2025 年开放用户自主管理。
- Claude Code（代码类 Agent）
核心需求：保障软件工程项目连续性、一致性，避免代码漂移，减少重复读代码库。
记忆设计：聚焦项目规则、技术决策、执行约定，依赖.claudecode.md配置文件（≤200 行）。
迭代特点：2025.4 才正式上线记忆功能，因软件工程场景严谨，迭代更审慎，后续新增 "梦境（dreaming）" 记忆整合功能。
- 小龙虾（开源多端 Agent）
痛点：记忆扁平化、无删改查管理、执行链路长，易丢失关键信息，是用户吐槽核心。
优势：支持移动端操控电脑，适配多端办公，灵活性强。
三、Agent Memory 技术栈（我的视角：记忆是多学科交叉的复杂系统）
三大核心面向：RAG 检索增强、上下文工程、强化学习，不是单一数据库能解决。
核心概念辨析（易混淆）：
Memory：最高层级，是 "记忆操作系统"；
RAG：数据处理管线，负责检索 + 生成；
向量模型 / 嵌入（Embedding）：把文字转数学表征，存入向量库；
提示词工程：与裸模单轮交互；上下文工程：利用大模型上下文窗口承载更多信息；
记忆分类：
语义记忆：存储事实（如 "2025.5.25 分享 Agent 记忆"）；
情景记忆：记录交互时间、场景；
程序记忆：Agent 自身技能、工作流。
关键工程问题：记忆全生命周期管理（捕获、检索、更新、压缩、丢弃），召回率是核心指标（用户感知 "被记住" 的关键）。
四、我的核心感悟
认知颠覆：原来 Agent 记忆不是简单 "存数据"，而是独立的基础设施，直接决定产品生死（用户留存）和长期任务能力。
场景决定设计：对话类 Agent 重 "用户偏好记忆"，代码类 Agent 重 "项目规则记忆"，开源 Agent 需平衡灵活性与记忆稳定性，无通用记忆方案。
技术复杂性远超预期：记忆是数据库、大模型、强化学习的交叉领域，传统数据库思维会受限，且涉及记忆分类、压缩、召回等工程难题。
用户痛点即方向：用户反感重复、需要稳定上下文，未来做 Agent 相关项目，优先攻克记忆模块，短期记忆可用压缩 / 摘要优化，长期记忆需做分层管理。
行业趋势明确：头部 AI 公司（OpenAI、Anthropic）都在加码记忆能力，记忆工程会是未来 Agent 开发的核心赛道。