《Agentic Design Patterns》第 8 章导读：记忆管理（Memory Management）

《Agentic Design Patterns》第 8 章导读：记忆管理（Memory Management）

本文是对开源书籍《Agentic Design Patterns》第 8 章的解读与导读，内容忠实呈现原文，并附个人思考。

原书在线阅读：https://adp.xindoo.xyz/ ｜ 翻译项目代码仓库：https://github.com/xindoo/agentic-design-patterns

---

你有没有过这种经历：跟一个 AI 助手聊了半天，它突然忘了你刚说过的话？或者你上周刚告诉过它你的偏好，这周它又问一遍？

这些问题的本质都是记忆。人类有短期记忆（工作记忆）和长期记忆，前者让你能连贯地对话，后者让你记住人和事。智能体也一样------没有记忆，它永远只能处理"当前这一句"，永远是"第一次见你"。

第 8 章讲的记忆管理（Memory Management） ，就是解决这个问题的：怎么让智能体记住事情？记多久？怎么存？怎么取？

---

一、两种记忆：短期 vs 长期

书中把智能体的记忆分为两大类，跟人类的记忆系统很像：

记忆类型	对应人类	存储位置	特点
短期记忆（上下文记忆）	工作记忆	LLM 上下文窗口	容量有限、临时、会话结束就没了
长期记忆（持久记忆）	长期知识库	外部数据库/向量库	容量大、持久、跨会话

短期记忆保存的是当前正在处理的信息------最近的对话消息、智能体的回复、工具调用结果、反思内容等等。它的好处是直接、即时，LLM 一眼就能看到。但问题也很明显：上下文窗口就那么大，装不下太多东西；而且会话一结束，这些信息就全没了。

"长上下文模型"本质上只是扩大了短期记忆的容量------原来能记 10 轮对话，现在能记 100 轮了。但它还是"临时的"，下次对话又从零开始。而且长上下文的处理成本也高。

长期记忆 就不一样了。它存在智能体"外面"------通常是数据库、知识图谱或向量数据库里。智能体需要的时候，就去查一下，把相关的信息"加载"到短期记忆里用。向量数据库的好处是可以做语义搜索------按含义相似性检索，而不是精确匹配关键词。

这个"外部存储 + 按需检索 + 注入上下文"的模式，其实就是我们常说的 RAG（检索增强生成）的底层逻辑。

二、记忆的用武之地

记忆管理不是锦上添花，而是智能体从"问答工具"升级为"智能助手"的必要条件。书中列举了几个主要应用场景：

• 聊天机器人与对话式 AI：短期记忆维持对话连贯性，长期记忆记住用户偏好和历史，让交互更个性化。
• 面向任务的智能体：短期记忆跟踪任务进度（做到哪一步了、目标是什么），长期记忆存放用户的特定数据。
• 个性化体验：长期记忆存用户偏好、行为习惯、个人信息，让智能体"越用越懂你"。
• 学习与改进：把成功的策略、犯过的错误存进长期记忆，下次遇到类似情况就能做得更好。
• 信息检索（RAG）：知识库就是智能体的长期记忆，回答问题前先去"回忆"相关知识。
• 自主系统：机器人/自动驾驶汽车用短期记忆处理当前环境，用长期记忆存储地图、路线等通用知识。

一句话：记忆让智能体有了"历史感"和"身份感"------它知道你是谁、你们聊过什么、之前做过什么，而不是每次都像第一次见面。

三、Google ADK 的记忆三件套：Session / State / Memory

Google ADK 把记忆管理拆成了三个层级，设计得很清晰：

• Session（会话）：一个独立的聊天线程，记录这个对话里的所有消息和操作（Events）
• State（状态）：Session 里的"草稿本"，存当前对话的临时数据
• Memory（记忆）：跨会话的可搜索知识库，是真正的"长期记忆"

Session：管理聊天的整个生命周期

Session 是 ADK 中最基础的记忆单元。每个聊天线程对应一个 Session 对象，里面存了：

• 唯一标识符（谁的、哪个应用、哪个会话）
• 事件的时间顺序记录（用户说的话、智能体的回复、工具调用......）
• 状态数据（state）
• 最后更新时间戳

SessionService 负责管理会话的整个生命周期：创建、恢复、记录活动、删除。书中给出了三种实现：

# 1. 内存版（适合测试，重启就没）
from google.adk.sessions import InMemorySessionService
session_service = InMemorySessionService()

# 2. 数据库版（持久化，生产用）
from google.adk.sessions import DatabaseSessionService
session_service = DatabaseSessionService(db_url="sqlite:///./my_agent_data.db")

# 3. Vertex AI 版（Google Cloud 上的可扩展生产方案）
from google.adk.sessions import VertexAiSessionService
session_service = VertexAiSessionService(project=PROJECT_ID, location=LOCATION)

State：会话的草稿本

每个 Session 都有一个 state 字典，就像智能体在对话期间的临时工作记忆。session.events 存的是完整聊天历史，而 session.state 存的是结构化的动态数据------用户偏好、任务进度、标志位等等。

State 的组织也很有讲究，用键前缀区分作用域：

• user: 前缀：跟用户绑定，跨所有会话持久化
• app: 前缀：应用级数据，所有用户共享
• temp: 前缀：只在当前处理轮次有效，不持久存储

更新 State 有两种方式：

简单方式------output_key：直接把智能体的文本响应存到 state 里。

greeting_agent = LlmAgent(
    name="Greeter",
    model="gemini-2.0-flash",
    instruction="生成一个简短、友好的问候语。",
    output_key="last_greeting"  # 自动把响应存到 state["last_greeting"]
)

标准方式------在工具里用 tool_context.state：适合更复杂的状态更新。

def log_user_login(tool_context: ToolContext) -> dict:
    state = tool_context.state
    # 递增登录次数
    state["user:login_count"] = state.get("user:login_count", 0) + 1
    state["task_status"] = "active"
    state["user:last_login_ts"] = time.time()
    state["temp:validation_needed"] = True
    return {"status": "success", "message": f"总登录次数：{state['user:login_count']}"}

书中特别提醒：不要直接修改 session.state 字典，要走标准的事件处理机制（output_key 或 state_delta）。直接改会绕过事件历史、可能不持久化、还可能有并发问题。

MemoryService：长期记忆

Session 和 State 是"单次聊天的短期记忆"，MemoryService 管的是"跨聊天的长期记忆"。

MemoryService 的核心能力就两个：

1. 存 ：把会话里的内容提取出来存进长期记忆（add_session_to_memory）
2. 取 ：按语义搜索相关记忆（search_memory）

同样有多种实现：

# 内存版（测试用）
from google.adk.memory import InMemoryMemoryService
memory_service = InMemoryMemoryService()

# Vertex AI RAG 版（生产用，语义搜索）
from google.adk.memory import VertexAiRagMemoryService
memory_service = VertexAiRagMemoryService(
    rag_corpus=RAG_CORPUS_RESOURCE_NAME,
    similarity_top_k=5,
    vector_distance_threshold=0.7
)

四、LangChain / LangGraph 中的记忆

LangChain 生态也有完整的记忆管理方案。

短期记忆：对话历史

最基础的是 ChatMessageHistory（手动管理）和 ConversationBufferMemory（自动集成到链中）：

from langchain.memory import ConversationBufferMemory
from langchain.chains import LLMChain

memory = ConversationBufferMemory(memory_key="history")
conversation = LLMChain(llm=llm, prompt=prompt, memory=memory)

# 对话会自动记住历史
conversation.predict(question="我想预订航班。")
conversation.predict(question="我叫 Sam。")
conversation.predict(question="我的名字是什么？")  # 它会回答 Sam

长期记忆：三种类型 + BaseStore

LangGraph 把长期记忆细分为三类，跟人类记忆的分类很对应：

类型	人类对应	存什么	用途
语义记忆	记住事实	用户偏好、领域知识	个性化交互
情景记忆	记住经历	过去的事件、成功的交互序列	少样本提示、经验复用
程序记忆	记住规则	核心指令、行为模式	自我改进（反思 → 更新指令）

存储上用 BaseStore，按命名空间组织，支持语义搜索：

from langgraph.store.memory import InMemoryStore

store = InMemoryStore(index={"embed": embed_fn, "dims": 2})

# 按命名空间 + 键存储
store.put(
    (user_id, "chitchat"),  # 命名空间（类似文件夹）
    "a-memory",              # 键（类似文件名）
    {"rules": ["用户喜欢简短语言", "用户只说英语和 python"]}
)

# 按内容语义搜索
items = store.search(
    (user_id, "chitchat"),
    query="语言偏好"
)

最有意思的是程序记忆的自我更新------智能体通过"反思"来修改自己的指令：

1. 回顾当前指令和最近交互；
2. 找出可以改进的地方；
3. 生成新的、更好的指令；
4. 存回长期记忆，下次就用新指令工作。

这其实就是让智能体自己"进化"自己的行为模式。

五、Vertex Memory Bank：托管式长期记忆

最后，书中还介绍了 Vertex AI 的 Memory Bank 服务------一个托管的长期记忆方案。

它的工作方式是：用 Gemini 模型异步分析对话历史，自动提取关键事实和用户偏好，存进持久化存储。新会话开始时，智能体可以通过语义搜索把相关记忆"调出来"，实现跨会话的连续性和个性化。

好处是开箱即用，不用自己搭向量数据库、写提取逻辑。而且不仅支持 Google ADK，还支持 LangGraph、CrewAI 等其他框架。

六、速览

• 问题背景：智能体需要记住过去的交互才能执行复杂任务、提供连贯体验。没有记忆，智能体只能做一次性问答，无法维护对话上下文、无法从经验中学习、无法提供个性化响应。核心难题是怎么同时管理好"当前对话的临时信息"和"长期积累的持久知识"。
• 解决方案：实现"短期 + 长期"的双组件记忆系统。短期记忆在 LLM 上下文窗口内保存最近交互，维持对话流畅；长期记忆用外部数据库（如向量存储）实现，支持高效语义检索。框架（如 Google ADK）提供专门的组件来管理这个过程：Session 管对话线程，State 管临时数据，MemoryService 管长期知识库。
• 实践建议：当智能体不只是回答单个问题时，就需要记忆管理。需要维护对话上下文、跟踪多步骤任务进度、通过回忆用户偏好提供个性化交互、从过去的成功/失败中学习改进------这些场景都离不开记忆。

七、可视化总结

图 1：记忆管理设计模式------短期记忆维持当前对话，长期记忆跨会话积累知识。

关键要点

• 记忆对于智能体处理事务、学习和个性化交互至关重要；
• 对话式 AI 依赖两种记忆：单个聊天的短期记忆 ，和跨会话的长期记忆；
• 短期记忆是临时的，通常受 LLM 上下文窗口限制；
• 长期记忆使用向量数据库等外部存储，通过语义搜索访问；
• Google ADK 用 Session（聊天线程）、State（临时数据）和 MemoryService（长期知识）管理记忆；
• LangChain 提供 ConversationBufferMemory 等工具自动注入对话历史；
• LangGraph 通过 BaseStore 实现高级长期记忆，支持语义、情景、程序三种记忆类型。

结语与个人思考

记忆管理这个话题，表面上看是"怎么存、怎么取"的技术问题，但往深了想，它其实关系到智能体的"自我"是什么。

人类的身份感很大程度上建立在记忆之上------你之所以是"你"，是因为你记得你经历过什么、你喜欢什么、你做过什么决定。如果一个智能体每次见到你都"失忆"，那它对你来说就永远是个陌生人。

从这个角度看，长期记忆不只是一个功能模块，它是智能体个性化的基础。有了它，智能体才能从"通用工具"变成"你的助手"。

但记忆管理也有很多现实挑战：

第一个是遗忘的必要性。人类会遗忘，这不是缺陷，而是一种保护机制------不重要的信息被过滤掉，重要的才被保留。智能体的记忆如果什么都存，最后检索出来的全是噪音，反而影响效果。怎么定义"什么值得记住"、怎么淘汰旧记忆，是个很有意思的问题。

第二个是记忆的准确性。如果智能体记错了------比如把你"喜欢咖啡"记成了"喜欢茶"------那它的个性化反而会起反效果。尤其是当记忆是 LLM 自动提取的时候，提取的准确性直接决定了记忆的质量。

第三个是隐私边界。智能体记住的用户信息越多，隐私风险就越大。哪些信息可以记、哪些不能记、用户怎么控制自己的记忆数据，这些都是产品化时必须面对的问题。

最后，我觉得最有想象力的方向是程序记忆的自我进化------智能体不只是记住事实，还能修改自己的行为规则。这已经很接近"学习"的本质了。当然，这也带来了新的挑战：如果智能体改坏了自己的指令怎么办？怎么保证它的进化方向是好的？这些问题，下一章"学习和适应"会继续深入。

下一步，建议阅读第 9 章 学习与适应（Learning and Adaptation）------看看智能体怎么通过经验自主提升能力，甚至自我进化。

---

本文基于开源书籍《Agentic Design Patterns》（https://github.com/xindoo/agentic-design-patterns ，在线阅读 https://adp.xindoo.xyz/ ）整理，供学习交流，版权归原作者所有。