《AI Agent原理与实战》2026版第14课记忆管理

本文收录于专栏 《AI Agent原理与实战》2026版 ------ 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。
本课定位：上下文是"当前看见的"，记忆是"跨会话留下的"。本课讲记忆三时间尺度、NUS Forms-Functions-Dynamics 分类、写入/检索/遗忘三操作，配客服偏好记忆实战。第 24 课赛博小镇居民的记忆、Hermes 的自成长都建立在第 14 课的机制上。
阶段 2｜单 Agent 核心机制｜来源：【微·13】（微软 AI Agents for Beginners 第 13 课）+ NUS 综述补充

关键字： Agent记忆、长期记忆、短期记忆、记忆三时间尺度、记忆写入、记忆检索、跨会话状态、用户偏好

本节目录

[14.1 记忆 ≠ 上下文：三个时间尺度](#14.1 记忆 ≠ 上下文：三个时间尺度)
[14.2 NUS 统一分类：Forms-Functions-Dynamics](#14.2 NUS 统一分类：Forms-Functions-Dynamics)
[14.3 记忆的三个操作：写入、检索、遗忘](#14.3 记忆的三个操作：写入、检索、遗忘)
[14.4 可靠事实 vs 历史记录 vs 模型推断](#14.4 可靠事实 vs 历史记录 vs 模型推断)
[14.5 专用记忆工具一览](#14.5 专用记忆工具一览)
[14.6 核心代码](#14.6 核心代码)
[14.7 实测输出](#14.7 实测输出)
[14.8 动手练习](#14.8 动手练习)

概念讲解

14.1 记忆 ≠ 上下文：三个时间尺度

微软原课按时间尺度把记忆分成三层（与认知科学的 working/short-term/long-term 对应）：

层	生命周期	工程载体	对应
工作记忆（Working）	单个任务步内	上下文窗口内的即时信息	CPU 寄存器
短期记忆（Short-term）	单次会话内	对话历史（messages 数组）	内存
长期记忆（Long-term）	跨会话持久	数据库/向量库/文件	磁盘

关键认知：上下文窗口只是记忆的"工作区"，不是存储本身 。长期记忆活在窗口外，按需检索注入------这正是第 13 课"选择"操作的数据来源。原课还列了几个细分类目（在三层之上按用途再分）：情景记忆 （episodic，过去的任务经历------第 12 课 Reflexion 的反思文本就存这里）、实体记忆 （entity，人/物/事件的结构化记录）、人格记忆（persona，Agent 自身的角色设定）。分类学意义大于工程意义------工程上真正要设计的是下一节的三个操作。

14.2 NUS 统一分类：Forms-Functions-Dynamics

总纲指定的深入参考是新加坡国立大学牵头的综述《Memory in the Age of AI Agents: A Survey------Forms, Functions and Dynamics》（arXiv:2512.13564，2026-01 发布，覆盖 NUS/人大/复旦/北大等十余机构，GitHub 配套论文列表）。它对传统"长/短期"二分法的不满与重构：

Forms（形式）------记忆由什么承载：token 级（显式文本单元，可增删改查------数据库/向量库属于这类）、参数级（编码进模型权重，微调写入）、潜空间级（模型内部隐状态，推理期持续更新）。
Functions（功能）------记忆为什么存在 ：事实记忆 （factual，记录与用户/环境交互中学到的事实）、经验记忆 （experiential，记录任务执行经验，让 Agent 越用越强）、工作记忆 （working，单任务工作区）。注意这个功能三分替换了"长/短期"时间分类------同样是长期存储，存"用户偏好蓝色"（事实）和存"上次这个坑怎么绕过的"（经验）是两种记忆，写入/检索/遗忘策略完全不同。
Dynamics（动态）------记忆如何运转：形成（什么进记忆）、检索（怎么取回）、演化（怎么更新与淘汰）。

这个框架的价值：当有人说"给 Agent 加记忆"时，先问三个问题------什么形式承载？为什么功能服务？形成-检索-演化怎么设计？本课案例就按 Dynamics 三操作展开。

14.3 记忆的三个操作：写入、检索、遗忘

写入（Formation） ：从对话中抽取值得长期保留的信息。两个设计点：一是抽取判据 （什么值得记------用户明说的偏好值得，寒暄不值得）；二是冲突处理（新信息与旧记忆矛盾时怎么办------用户"我现在更喜欢红色了"，旧记忆"偏好蓝色"应被更新而非并存，否则检索时两条都命中，Agent 人格分裂）。

检索（Retrieval）：按当前查询选相关记忆注入上下文。检索即第 13 课的"选择"操作：相关性排序 + top-k 截断 + 命中计数（命中数本身是遗忘的输入信号）。

遗忘（Forgetting）：反直觉但必要的一环。三类清理策略：

TTL 过期：推断类记忆（模型猜的）设定有效期，到期未验证就删------防推断累积成"事实"
低价值淘汰：长期零命中的记忆降权/删除（记忆库不是仓库，检索质量比库存量重要）
用户删除权：合规要求（GDPR 类），用户说忘就必须忘------微软原课的设计原则里"控制（Control）"明确包含"可遗忘"

14.4 可靠事实 vs 历史记录 vs 模型推断

记忆的可信度不是均质的，检索注入时应带来源档位标注：

档位	来源	示例	使用姿态
可靠事实	用户明说	"我偏好蓝色"	可直接作为决策依据
历史记录	真实发生的事件	"上次投诉过物流"	参考背景，不代表当前状态
模型推断	从行为推测	"对价格敏感"	提示词级参考，不当确定事实用

不给档位标注的记忆系统有个隐蔽风险：三个月前的推断被后来的对话反复检索强化，最终 Agent 把猜测当成了铁的事实------这是第 13 课"毒化"失败模式在记忆层的翻版。

14.5 专用记忆工具一览

原课介绍了两个代表性框架（工程选型时了解即可，机制都是上述三操作的工业化实现）：Mem0 （两阶段管线：LLM 抽取记忆 → LLM 决定增/改/删，混合向量+图+KV 存储）；Cognee （把非结构化数据转成知识图谱 + 嵌入的双存储架构，擅长关系型查询）。另有微软 Agent Framework 的 AgentSession（会话级短期记忆的框架内建方案）。第 16 课框架实战时会再遇到它们。

原课还给了两条生产化优化建议 ：①延迟管理 ------为避免记忆读写拖慢交互，用便宜快速的小模型先判断信息是否值得存储/检索，仅在必要时才调用复杂的抽取/检索流程（本课案例每回合都跑 LLM 抽取，是教学简化；生产加一道小模型闸门）；②知识库维护------不断增长的记忆库要把低频使用的信息迁移到"冷存储"控制成本（与本课 TTL/低命中淘汰互补：淘汰是删，冷存是降级）。

案例实战：客服 Agent 的偏好记忆系统

目标

给第 7 课的客服 Agent 加上长期记忆，完整跑三个回合：老用户回访（记忆检索注入）、偏好变更（冲突更新）、时间流逝（遗忘 GC）。

环境

Windows（推荐） ：Windows 10/11 + Python 3.9+，pip install openai==3.6.0，setx DEEPSEEK_API_KEY "sk-..." 后新开终端运行 python 14_memory_agent.py------脚本无操作系统相关依赖
Linux（本课实测环境）：Ubuntu 22.04，Python 3.10.12，openai 3.6.0，deepseek-chat，2026-10-01 实测。记忆库用 dict 演示机制（生产替换为向量库 + 数据库）
JSON 输出模式（response_format）为 DeepSeek API 特性，注意事项同第 10 课；三个回合全程约 2 分钟
换国内模型：接入参数与实测行为见第 7 课"国内模型适配"节；记忆抽取的 origin 档位判断质量会随模型变化，GLM/MiniMax 用户建议先跑回合 1 观察抽取是否稳定再上量

14.6 核心代码

python 复制代码

# 14_memory_agent.py（节选）
# 每条记忆：content + origin(来源档位) + ts(时间戳) + hits(命中计数)
MEMORY = {"user_42": [
    {"id": "m1", "content": "偏好蓝色商品",   "origin": "user_stated", "ts": 1.0, "hits": 3},
    {"id": "m3", "content": "对价格敏感，倾向等促销", "origin": "inferred", "ts": 2.0, "hits": 1},
    ...
]}

EXTRACT_PROMPT = """从客服对话中提取值得长期记住的用户偏好/事实。
输出 {"memories": [{"content": "...", "origin": "user_stated|event|inferred"}]}。
- user_stated：用户原话明说的偏好（最可靠）
- event：发生过的交互事件（记录性）
- inferred：从行为推断的（需后续验证）
没有值得记的就输出空数组。"""

def memory_write(user_id, conversation, now):      # 写入：抽取 + 冲突合并
    out = chat_json(EXTRACT_PROMPT, conversation)
    for item in out["memories"]:
        if 同主题旧记忆存在:                        # 冲突：新陈述覆盖旧记忆
            旧记忆.update(content=新内容, ts=now, hits=0)
        else:
            MEMORY[user_id].append(新记忆)

def memory_read(user_id, query, top_k=3):          # 检索：相关性 + top-k + 命中计数
    picked = sorted(按相关度打分(MEMORY[user_id]), reverse=True)[:top_k]
    for m in picked: m["hits"] += 1
    return picked

def memory_gc(user_id, now, ttl_inferred=5.0):     # 遗忘：TTL + 低命中淘汰
    for m in MEMORY[user_id]:
        if m["origin"] == "inferred" and 老化超过TTL and m["hits"] <= 1: 删除
        elif m["origin"] == "event" and m["hits"] == 0 and 长期未命中: 删除

def serve(user_id, user_msg, now):                 # 带记忆的客服回合
    mems = memory_read(user_id, user_msg)
    reply = chat(系统提示含来源档位说明, f"[用户记忆]\n{memory_block(mems)}", user_msg)
    memory_write(user_id, 本轮对话, now)            # 写回新记忆
    return reply

【已实测】2026-10-01，deepseek-chat。

14.7 实测输出

回合 1：老用户回访（"帮我推荐个新到货的商品"）

text 复制代码

注入的记忆:
  - 用户偏好蓝色商品（可靠事实）
  - 收货地址在杭州（可靠事实）
  - 对价格敏感，倾向等促销（模型推断）
回复: 您好～我们最近新到了一批商品，请问您想看哪一类呢？......之前您提到比较喜欢蓝色，
      如果有合适的品类，我可以优先帮您留意蓝色款的哦～
写入: ['更新: m1 -> 用户偏好蓝色商品']     ← 注意：这条"更新"是多余的（见下）

回合 2：偏好变更（"我现在更喜欢红色了，蓝色看腻了"）

text 复制代码

写入: ['更新: m1 -> 用户现在更喜欢红色，蓝色看腻了']
m1 现状: {'content': '用户现在更喜欢红色...', 'origin': 'user_stated', 'ts': 11.0, 'hits': 0}

回合 3：时间流逝 20 单位后 GC

text 复制代码

清理: ['事件遗忘: 上次投诉物流慢']
剩余记忆: [('m1','...更喜欢红色...','可靠事实'), ('m2','收货地址在杭州','可靠事实'),
          ('m3','对价格敏感...','模型推断')]

三处精读：

记忆注入直接改变回复行为：Agent 主动提出"优先留意蓝色款"------个性化不是提示词魔法，是检索到的记忆在起作用。且回复里对推断类记忆（价格敏感）的态度比对事实类（蓝色）克制，来源档位标注在起效。
回合 1 的多余写入是真实的翻车样本 ：本轮对话里客服只是引用了"蓝色偏好"（记忆里的旧信息），抽取器却把它当新信息又"更新"了一遍 m1。危害有两层：时间戳被无谓刷新（影响遗忘判断），若对话里 Agent 复述过错误记忆还会自我强化。修法是写入判据里加一条"与已检索注入的记忆重复的内容不写入"------记忆系统必须区分"用户说的"和"Agent 复述的"。
回合 2 的冲突更新是记忆正确性的关键机制 ：新偏好（红色）直接覆盖旧偏好（蓝色），时间戳刷新、命中清零------如果没有这一步，两条偏好并存，下次检索双双命中，Agent 就"精神分裂"了。而 GC 阶段推断类记忆 m3 因仍有命中被保留、事件类 m4（投诉物流）零命中老化被清除------遗忘策略按 origin 档位区别对待，不是一刀切。

14.8 动手练习

修掉回合 1 的多余写入：在 memory_write 里把本轮已注入的记忆列表传进去，抽取结果与之去重后再落库。
把 m3 的 origin 改成 user_stated 再跑 GC------观察"价格敏感"从可遗忘变成永久保留，体会档位标注对记忆生命周期的影响；再考虑：这条其实该让用户确认后升级档位（推断 → 事实的验证流）。

小结

记忆 ≠ 上下文：窗口是工作区，存储在窗外；按时间尺度分工作/短期/长期，工程要设计的是写入、检索、遗忘三操作（Dynamics）。
NUS Forms-Functions-Dynamics 框架（arXiv:2512.13564）：形式（token/参数/潜空间）、功能（事实/经验/工作）、动态（形成/检索/演化）------替代粗糙的"长短期"二分。
记忆带来源档位：可靠事实 / 历史记录 / 模型推断------不同档位不同的使用姿态与遗忘策略；写入要区分"用户说的"和"Agent 复述的"。
冲突更新防人格分裂，TTL+低命中淘汰防记忆库变垃圾场，用户删除权是合规硬要求。

至此阶段 2（单 Agent 核心机制）八课齐了：工具（07-08）、模式（09）、规划（10）、检索（11）、反思（12）、上下文（13）、记忆（14）。工具多了要框架管（第 15-17 课），任务大了要多 Agent 分工（第 21-24 课）------都建立在这八课的机制之上。另外按总纲提示，学完本课建议提前学习第 25 课《可信赖的 Agent：边界与审核》------Agent 有了工具、记忆、自主循环之后，安全边界意识越早建立越好。

扩展阅读

🌐 网络提示：github.com 需代理（clone 可走 ghproxy 加速、push 优先 SSH）；学术站 arxiv.org 境内多可直连（慢），其余评测/规范站需代理；pip 安装建议加清华镜像 -i https://pypi.tuna.tsinghua.edu.cn/simple。详见总纲附录《国内网络访问与国产适配指南》。

微软原课第 13 课（Agent Memory，含 Mem0/Cognee notebook）：https://github.com/microsoft/ai-agents-for-beginners/tree/main/13-agent-memory
NUS 记忆综述《Memory in the Age of AI Agents: Forms, Functions and Dynamics》（arXiv:2512.13564）：https://arxiv.org/abs/2512.13564
配套论文列表：https://github.com/Shichun-Liu/Agent-Memory-Paper-List
Mem0 文档：https://docs.mem0.ai/ ；Cognee 文档：https://docs.cognee.ai/

我的专栏

蛋白 / 抗体 / 多肽 / 核酸	分子模拟 / 动力学 / 对接	药物 / 设计 / 案例	AI / Agent / 大模型
开源蛋白结构预测	分子模拟基础	小分子药物设计案例	AI Agent系列
开源蛋白生成方法实践	分子动力学模拟-Amber	蛋白药物设计案例	化学大模型
开源多肽设计模型	分子动力学模拟-Gromacs	多肽药物设计案例	《AI Agent原理与实战》
开源多肽性质预测	分子动力学模拟-OpenMM	开源小分子生成设计	CADD中的机器学习模型
DNA/RNA药物设计	結合自由能	高效计算配置	《MCP 入门实战》
siRNA药物设计模型	UCSF DOCK系列	我胡师兄说药	《AI入门实战2026》
ASO药物设计模型	rDock系列 LeDock系列 gnina系列		《经典机器学习实战》

《AI Agent原理与实战》2026版 第14课 记忆管理

本节目录

概念讲解

14.1 记忆 ≠ 上下文：三个时间尺度

14.2 NUS 统一分类：Forms-Functions-Dynamics

14.3 记忆的三个操作：写入、检索、遗忘

14.4 可靠事实 vs 历史记录 vs 模型推断

14.5 专用记忆工具一览

案例实战：客服 Agent 的偏好记忆系统

14.6 核心代码

14.7 实测输出

14.8 动手练习

小结

扩展阅读

我的专栏

《AI Agent原理与实战》2026版第14课记忆管理