5 Agent 记忆机制与管理
在第4章内容中我们详细介绍了 Agent 的工具调用与检索能力，但细心的读者可能已经注意到一个问题：在 RAG Agent 这个场景里至始至终都只涉及到了一个 Agent 来理解问题、检索内容和回答问题。但是在实际应用中，我们接触到更多的其实是多个 Agent 协作交互的场景。
例如一个 Agent 专门帮你创建日程，一个 Agent 帮你发送邮件，可能还有一个 Agent 帮你检查排期等等，如先前大火的 OpenClaw 就是一个类似这样的个人助理。
因此，这个时候同时还延伸出了一个非常重要的问题------记忆管理。在本章内容中，将会就这两块内容进行详细介绍。
5.1 Agent 记忆机制概览
5.1.1 记忆机制
记忆机制是一个让 Agent 能够记住历史交互信息的系统。具体来说，我们希望它能够做到三件事情：① 记住之前的对话内容；② 从用户的反馈中学习；③ 根据用户的偏好调整自身的行为。虽然这三件事听起来好像很简单也很自然，但对于一个实用的 AI Agent 来说却至关重要。
试想一下，如果每次对话结束以后，Agent 对之前发生的事情都一无所知，无论用户告诉过它什么偏好、纠正过它什么错误，下一次对话都只会从头开始滔滔不绝，那这样的体验用户显然是不可接受的。当然，如果是涉及到处理复杂、多轮交互任务时，更是会变得让人抓狂，而这就是 Agent 记忆机制所要解决的问题。
根据记忆的作用范围不同还可以分为两种类型：短期记忆和长期记忆。
5.1.2 短期记忆
短期记忆（Short-term Memory），也称为线程作用域记忆（Thread-scoped Memory），它的作用范围仅限定在一次会话（Session）之内，例如我们在使用豆包或者 ChatGPT 时所打开的一个对话窗口。简单来说，它负责记录当前这一轮对话中发生的所有消息（上下文），让 Agent 在同一次对话里知道"之前聊了什么"。
在 LangGraph 中，短期记忆是作为 Agent 状态（State） 的一部分来进行管理，并且会通过一个叫做检查点管理器（Checkpointer ）的机制来将当前状态进行持久化。在 Agent 每执行一步时 LangGraph 都会同时从持久化实体中读取最新的状态作为输入，并在执行结束以后更新状态信息。可以看出，这样做的好处是即使对话中途中断，也可以在任意时刻从断点处恢复，使得整个会话的上下文不会丢失。
5.1.3 长期记忆
长期记忆（Long-term Memory）的出现是为了解决短期记忆不能处理跨会话信息保留的问题。与短期记忆不同，长期记忆存储的是用户专属信息或应用级别的数据，它不归属于某一次具体的对话，而是可以在任何时间、任何会话中被读取和写入。如图5-1所示便是短期记忆与长期记忆之间的对比结果......
完整内容见：Agent记忆机制：短期记忆与长期记忆概览