Agent记忆压缩方法

Agent 的**记忆压缩（Memory Compression）**主要目的是解决一个问题：

Agent 长时间运行后，会积累大量历史对话、工具调用记录、任务轨迹，如果全部塞入 Context Window，会导致 Token 爆炸、推理变慢、成本升高，所以需要把"过去的信息"压缩成更高价值、更小体积的表示。

常见方法主要有以下几类：

一、摘要压缩

思路

让 LLM 定期把历史记忆总结成短文本。

例如原始记忆：

用户：

我喜欢C++，正在学习机器人后端开发。

讨论ROS2通信机制。

学习MQTT连接机器人云平台。

完成Robot SDK项目，实现TCP通信。

压缩后：

用户长期目标：

学习机器人后端开发
熟悉C++、ROS2、MQTT

已有经验：

开发过Robot SDK
实现TCP通信和JSON协议

实现方式

Agent维护：

Raw Memory

Memory Summarizer

Compressed Memory

优点

简单

效果好

适合聊天Agent

缺点：

可能丢失细节

例如：

原文：

用户机器人IP是192.168.1.20

总结：

用户有机器人网络环境

IP丢了。

二、分层记忆压缩

类似人类记忆。

分成：

Long-term Memory

| |

Semantic Memory Episodic Memory

User Profile

第一层：短期记忆 Short-term

保存最近上下文：

例如：

第二层：中期记忆

保存任务阶段信息：

例如：

当前任务：

开发机器人SDK

已完成：

TCP通信
JSON协议

待完成：

心跳机制
重连策略

第三层：长期记忆

保存稳定信息：

例如：

用户：

熟悉C++
做机器人开发
使用ROS2

压缩过程：

三、信息抽取压缩

不是总结，而是抽取关键事实。

例如：

原始：

我最近在机器人公司实习，

主要做C++ SDK，

用TCP连接机器人，

以后想找C++后端岗位。

抽取：

JSON：

{

"skill":[

"C++",

"TCP",

"Robot SDK"

"career_goal":

"C++ backend developer"

}

优势：

查询效率高。

比如：

Agent问

用户会不会C++？

直接查：

skill contains C++

不用读全部历史。

四、向量压缩（Embedding Compression）

把文本变成向量。

流程：

Memory Text

Embedding Model

0.21,0.55,0.13,...

Vector Database

例如：

存：

用户学习ROS2

变成：

0.234,0.882,...

查询：

用户：

"之前机器人通信怎么设计？"

Embedding：

机器人通信设计

搜索：

TCP协议

MQTT

ROS2 Topic

五、时间衰减压缩（Time Decay）

模拟人的遗忘机制。

不是所有记忆价值一样。

公式：

Memory Score =

Importance × e^(-λt)

例如：

昨天：

用户正在调试TCP bug

重要度：

0.9

一年以前：

问过hello world

重要度：

0.1

随着时间：

重要性下降

应用：

自动删除：

低价值 + 很久以前

六、重要性评分压缩

给每条Memory打分：

Memory Importance =

用户明确要求保存

使用频率
最近访问
任务相关性

例如：

Memory	Score
用户名字	0.9
用户喜欢C++	0.8
一次报错日志	0.

工业级 Agent Memory 通常组合

实际系统一般不是单一方法：

User Input

Memory Manager

| | |

Short-term Long-term Archive

| |

Recent Vector DB

Context

Summarizer

Compression