Agent Memory 学习笔记-1.0

如果目标是真正理解 Agent Memory，而不是停留在框架 API 层面，那么不要直接从 LangGraph、Mem0、Letta 开始，而是采用：

观察 → 建模 → 对比 → 实践 → 分享

的学习路线。

一条非常重要的主线：

人类记忆 → Cognitive Architecture（CoALA） → Agent Memory → 工程实现（LangGraph/Letta/Mem0）

这条线索实际上就是当前 Agent 记忆领域的发展脉络。

第一阶段：观察（Observation）

广度优先。

不要急着研究代码。

先回答：

「记忆到底是什么？」

第一部分：观察人类记忆

先观察一个现象

假设你朋友问：

去年国庆节你干什么去了？

你会发现：

你并不是从数据库里查询：

sql 复制代码

select *
from memories
where date='2025-10-01'

而是：

text 复制代码

触发线索
↓

激活部分记忆

↓

联想相关场景

↓

重构事件

↓

生成叙述

实际上：

记忆 ≠ 存储

记忆 = 重构（Reconstruction）

观察结果1

人类记忆不是录像机

而是：

text 复制代码

存储碎片

↓

回忆时重新拼装

例如：

text 复制代码

海边
夕阳
烧烤
朋友

↓

去年国庆

而不是：

text 复制代码

MP4视频

Agent 启发

这直接对应：

RAG

text 复制代码

Vector Search

↓

Recall

↓

LLM Reconstruction

Agent Memory 本质上也是：

text 复制代码

Retrieve
+
Generate

而不是：

text 复制代码

Database Query

观察结果2

人类记忆有层级

心理学经典模型：

text 复制代码

Sensory Memory
↓

Working Memory
↓

Long-term Memory

即：

text 复制代码

感觉记忆

↓

工作记忆

↓

长期记忆

举例

你看到：

text 复制代码

电话：
13812345678

几秒后忘了

属于：

text 复制代码

Sensory Memory

当你正在拨号：

text 复制代码

13812345678

保持在脑中

属于：

text 复制代码

Working Memory

几个月后：

text 复制代码

你妈妈手机号

还能背出来

属于：

text 复制代码

Long-term Memory

Agent 启发

对应：

text 复制代码

Prompt Context
↓

Session Memory
↓

Persistent Memory

很多 Agent Framework 都在复刻这一结构。

例如：

LangGraph

text 复制代码

State
↓

Checkpoint
↓

Store

Letta

text 复制代码

Context Window

↓

Main Memory

↓

Archival Memory

CoALA

text 复制代码

Working Memory

↓

Episodic Memory

↓

Semantic Memory

观察结果3

记忆是会遗忘的

这是很多人忽略的。

遗忘不是 Bug。

遗忘是 Feature。

如果不遗忘：

你会记得：

text 复制代码

2018年7月4日早餐

text 复制代码

2019年3月8日坐地铁第几个车厢

text 复制代码

2020年10月11日天气

大脑会崩溃。

因此：

人脑一直在做：

text 复制代码

删除

压缩

抽象

总结

例如：

原始经历：

text 复制代码

看了200次代码Review

最后变成：

text 复制代码

团队编码规范

Agent 启发

这对应：

Reflection

论文：

《Generative Agents》

提出：

text 复制代码

Experience

↓

Reflection

↓

Insight

例如：

原始：

text 复制代码

用户说A

用户说B

用户说C

压缩：

text 复制代码

用户喜欢简洁回答

这就是：

Semantic Memory

第二部分：观察 Agent Memory

接下来开始看 Agent。

不要先看框架。

先看 Agent 的需求。

问题1

Agent 为什么需要记忆？

因为 LLM 本质：

text 复制代码

Stateless

无状态。

例如：

今天：

text 复制代码

我喜欢 Java

明天：

text 复制代码

我喜欢 Rust

如果没有 Memory：

Agent 根本不知道。

因此需要：

text 复制代码

Past
↓

Present
↓

Future

连续性。

问题2

Agent 需要记住什么？

这里开始进入 CoALA。

CoALA 是目前最值得研究的框架之一。

论文：Cognitive Architectures for Language Agents

CoALA 认为：

Agent Memory 分为：

text 复制代码

Working Memory

Semantic Memory

Episodic Memory

Procedural Memory

Working Memory

相当于：

text 复制代码

当前上下文

例如：

text 复制代码

正在写代码

text 复制代码

当前文件

text 复制代码

当前需求

Agent 实现：

text 复制代码

Prompt
+
Context Window

Episodic Memory

情景记忆

记录：

text 复制代码

发生过什么

例如：

text 复制代码

昨天修复了支付Bug

text 复制代码

上周部署失败

Agent 实现：

text 复制代码

Conversation History

Execution Log

Trajectory

Semantic Memory

语义记忆

记录：

text 复制代码

总结后的知识

例如：

text 复制代码

用户喜欢Markdown

text 复制代码

项目使用DDD架构

Agent 实现：

text 复制代码

Knowledge Base

Profile

Fact Store

Procedural Memory

程序记忆

记录：

text 复制代码

怎么做

例如：

text 复制代码

骑自行车

text 复制代码

打字

Agent 对应：

text 复制代码

Skill

Prompt Template

Workflow

Tool Usage Pattern

例如：

Claude Code

text 复制代码

CLAUDE.md

本质：

text 复制代码

Procedural Memory

Codex

text 复制代码

AGENTS.md

也是：

text 复制代码

Procedural Memory

第三部分：建立观察框架

以后研究任何 Agent Framework。

先画这张图。

text 复制代码

Agent Memory

├── Working
│
├── Episodic
│
├── Semantic
│
└── Procedural

然后逐个观察：

text 复制代码

写入（Write）

管理（Manage）

读取（Read）

遗忘（Forget）

这正好对应你提到的 2026 综述论文中的生命周期：

text 复制代码

Write
↓

Manage
↓

Read

我建议把下一阶段的学习主题定为：

Agent Memory 观察地图

观察对象	重点问题
人类记忆	如何编码、固化、提取、遗忘
CoALA	记忆分类学
Generative Agents	Reflection 如何产生长期记忆
Letta(MemGPT)	OS 虚拟内存模型
LangGraph	State + Store + Checkpoint
Mem0	Memory CRUD
Zep	长期记忆中间件
Claude Code	Auto Memory
Codex CLI	AGENTS.md
Gemini CLI	GEMINI.md
OpenAI Memory	用户画像与偏好管理

当这张地图建立起来以后，你会发现：

所有 Agent Memory 产品，其实都在回答同一个问题------如何让一个本质无状态的 LLM，拥有类似人类的工作记忆、情景记忆、语义记忆和程序记忆。