智能體作為當前大語言模型及AI應用落地的最佳形式，正不斷滲透入千行百業的數字化轉型進程，然而智能體在長時間的交互中會忘記關鍵事實，破壞語境并削弱信任。單純地擴大大語言模型上下文窗口只會延緩問題的發生——模型會變得更慢、成本更高，而且仍然會忽略關鍵細節。這個環節中最關鍵的一個部分就是智能體記憶（AI Memory 或者 AI Agent Memory）。在此背景下，關于智能體記憶相關技術的探討和研究顯得尤為重要，可提升智能體作為新質生產力在改變整個人類社會生產、生活的各個場景中的用戶體驗和工作效率。

1、智能體記憶的定義及分類

智能體記憶是指人工智能系統記錄和回憶過去經驗以改進決策和行為的能力。與傳統的無狀態AI模型不同，具備記憶的智能體能夠保留上下文信息、識別時序模式并基于歷史交互進行自適應優化。記憶為智能體提供持續性上下文，使其能夠在多輪對話、任務規劃和長期交互中表現連貫一致，從而顯著提升智能體的推理、規劃和個性化服務能力。

智能體記憶可分為多種類型，每種類型承擔不同功能。常見的分類包括：

①短期/工作記憶（Short-term/Working Memory）：用于存儲當前交互中即時相關的信息，幫助智能體跟蹤當前任務狀態、對話歷史或用戶請求。這通常通過上下文窗口、注意力機制或專門的緩存結構實現。短期記憶負責維護對當前步驟的關注，保證在多輪交互中不丟失任務上下文。

②長期記憶（Long-term Memory）：用于保存可能跨越多次會話或任務的重要信息。長期記憶包括語義記憶（Semantic Memory）和情境/片段記憶（片段性記憶）（Episodic Memory）。語義記憶存儲概念性、事實性知識，如領域知識庫和規則；情境記憶記錄具體交互或環境事件的序列和結果，用于復盤和經驗學習。例如，情境記憶可讓智能體“記得”上次與用戶討論的項目細節或記錄機器人在家務任務中物體移動的場景，以便將來復用。

③環境/語境記憶（Contextual Memory）：強調對當前外部環境或對話背景的捕獲，包括用戶當前所在環境、任務目標以及用戶個性化設置等信息。這與短期記憶密切相關，但可能跨越任務片段加以保持。通過環境記憶，智能體能夠在重復任務或續接會話時“接上茬”，提高交互一致性。

④元記憶（Meta Memory）：指智能體對自身記憶狀態的認知和管理能力，即“關于記憶的記憶”，包括自我監控和元認知功能，使智能體能夠評價自身的決策、識別信息缺失并調整記憶策略。例如，元記憶機制可以記錄智能體過去的錯誤決策，形成反思日志，引導未來避免重復犯錯。

2、智能體記憶的存在形式

①數據庫/文件系統

結構化存儲（如關系型數據庫、SQLite）常被用于保存持久化記錄、用戶檔案和經驗日志。其中，用 SQLite 存儲知識經驗，通過數據庫記錄用戶偏好表、操作日志等結構化信息，是較為常見的應用方式。

②向量數據庫（Embedding-Vector Storage）

大多數智能體框架常將文本或多模態信息映射為向量，存入向量檢索庫。向量數據庫支持語義相似度快速檢索，用于RAG 記憶檢索，可無縫存取文本、圖像特征等非結構化數據，是當下語義記憶系統的核心。

③知識圖譜（Knowledge Graph）

以圖結構表示實體及其關系，適用于組織復雜的結構化知識。知識圖譜可以在智能體語義記憶層中保存領域本體、因果關系等，可用于邏輯推理和知識查詢。知識圖譜強調可解釋的因果鏈條和實體鏈接，有助于智能體執行基于知識的推理。

④神經網絡權重（內隱記憶）

神經模型自身權重隱式編碼了大規模語料中的事實和模式，但屬于內隱記憶，不能在運行時動態增刪。這意味著大語言模型本身并不具備可隨時更新的記憶存儲，需要外部存儲機制來保持最新信息。因此，智能體通常結合外部數據庫或緩存來擴充模型的長期記憶能力。

⑤分層存儲結構

一些大語言模型或者AI應用的工程架構會引入層次化存儲，將記憶分為多層級緩存。通過神經網絡學習有選擇地壓縮舊信息以實現長期記憶。模型會在線收集細粒度“情境記憶”，然后將這些記憶定期壓縮合并到長期存儲中，以支持跨章節甚至跨任務的長期上下文處理。

⑥緩存與日志

實時任務執行時，智能體常使用運行時緩存（如消息列表、日志）保存最近的對話歷史或操作記錄。目前大多數聊天智能體均提供將交互消息依時間順序簡單保存為列表記錄，以便下次調用時檢索。這種臨時日志式記憶對于短期上下文維護和決策非常有效。

3、智能體記憶的應用場景

智能體貫穿各類智能體服務的全生命周期，典型的應用場景如下：

①連續對話智能體

在聊天機器人和個人助理中，記憶用于記錄用戶信息和前文。例如，對話智能體通過記憶用戶的偏好和過往對話，使后續回答更加個性化和連貫。用戶可以告訴智能體記住特定內容，或通過設置控制其記憶行為。記憶的引入避免了反復輸入關鍵信息，顯著提高了交互體驗的流暢度和一致性。

②任務規劃智能體

在自動化辦公、網絡爬蟲和自動化操作場景中，智能體利用記憶構建任務流程。記憶幫助智能體回憶先前動作序列和結果，使其在當前狀態基礎上制定下一步計劃。例如，在網頁導航任務中，記憶保留了之前的點擊路徑和頁面信息，使得后續操作能夠基于上下文連貫執行。在機器人家務任務中，智能體記錄物體位置與環境變化，通過檢索這些記憶來執行長路徑規劃。

③多模態具身智能體

對于具備視覺、觸覺等感知能力的物理智能體（如機器人），記憶被用于記錄環境狀態和任務歷史。例如，集成視覺模型的機器人通過檢索記憶庫中的過往操作記錄來識別和跟蹤物體位置，進而在復雜家庭任務中實現自主規劃。這些多模態記憶方案使得具身智能體能夠“記住”豐富的感知經驗，實現更擬人化的長期行為。

④行為演化與自我改進

記憶支持智能體從經驗中學習并不斷改進自身策略。通過積累過去交互和任務執行數據，智能體能夠提煉出有效的動作模式（如重用成功的操作流程），形成“工作流”或技巧庫。此外，記憶還支撐元認知回顧流程，使智能體能夠對錯誤決策進行反思并將反饋存入記憶，從而在未來避免同類錯誤，在持續運行中提升可靠性和智能度。

⑤情境適應與個性化

面向用戶的智能體通過記憶用戶特征和使用環境，實現高度定制化的服務。例如，客服機器人記憶客戶的歷史問題和偏好，推薦系統記憶用戶行為模式。在教育領域，智能輔導員記憶學生的學習習慣和能力水平，為其生成個性化練習方案。通過保留多模態的用戶上下文（文本、環境信息、歷史數據），智能體能不斷調整策略，使交互更加自然有效。

4、智能體記憶技術挑戰

智能體記憶系統面臨的最關鍵挑戰是一致性和連貫性的維護。隨著交互輪次增長，如何保證智能體對過去記憶的訪問有效且相關，是技術難點。同時，過多無關信息會導致檢索成本上漲，需要平衡記憶容量與效率。

①上下文長度限制

語言模型固有的上下文窗口有限，導致僅靠短期記憶難以覆蓋長對話或持續任務。當文本超出窗口時，早期信息會被“遺忘”。主流解決方案是檢索增強生成（RAG）技術：將歷史信息存入向量數據庫，按需檢索相關內容拼接進上下文。

②情景/片段記憶體系構建

為了讓智能體擁有類似人類的“分段回憶”，一些系統采用情境記憶架構，將經驗按情節分章節存儲。DeepMind在壓縮Transformer時，通過連續收集細粒度情境記憶并將其壓縮到粗略的長期存儲來模擬睡眠時記憶固化過程。生成式智能體也采用類似思路：它們記錄日常事件日志，并定期總結為更高層級的“反思”記憶，用于規劃下一步活動。這一層次化記憶幫助智能體追蹤經驗演進，避免簡單的線性日志過載。

③檢索準確性與效率平衡

記憶檢索需要平衡相關性和開銷。常用方法是結合向量相似度檢索和結構化查詢。前者通過嵌入匹配找到語義相近的記憶片段，后者可針對知識圖譜執行精確匹配。在工程實踐中，混合檢索策略能有效降低漏檢風險。此外，分塊和關聯技術（如將對話分成相關主題塊并建立指向關系）也被用來提高檢索效率，例如微軟提出的“塊鏈”技術將對話切片并按主題鏈接，便于快速檢索。

④記憶檔案持久化

跨會話一致性需要持久保存用戶信息和智能體狀態。主流框架支持顯式建模用戶檔案，如CrewAI提供專門的“用戶記憶”組件以保存用戶數據。微軟等也強調為每個用戶建立持久檔案以保證連續性。當用戶再次交互時，智能體可檢索這些檔案恢復上下文（如個人偏好、未完成任務），避免“每次重新開始”的生硬體驗。

⑤一致性監管

智能體記憶系統易出現舊信息與新交互沖突的風險。部分研究建議在設計時引入一致性規則和校驗，或使用元認知模塊評估記憶是否與當前目標一致。一些先進架構還引入可插拔的安全和解釋機制，在人機評審或反饋下調整記憶條目，以防錯誤記憶導致智能體給出不合理或不安全的建議。

5、智能體記憶技術領域現狀

針對智能體記憶領域的各項技術挑戰，在開源社區和行業已涌現了多種智能體記憶解決方案和框架。

5.1 開源社區代表

①LangChain/LangGraph：LangChain社區提出的LangGraph框架提供圖形化的多智能體工作流，內建靈活的記憶管理機制。LangGraph支持短期與長期記憶，短期記憶存儲運行時上下文和最近交互，長期記憶則通過向量數據庫等外部存儲系統實現，同時它還提供實體記憶功能，跟蹤對話中出現的具體實體屬性，并可持續跨會話保持智能體狀態。

②CrewAI：CrewAI框架側重于角色化設計，提供結構化的記憶模塊。它內置多種記憶類型：例如使用RAG機制實現短期記憶，使用SQLite等數據庫做長期持久存儲，還支持上下文記憶和用戶記憶等功能。CrewAI并引入“Agentic RAG”思想，將RAG與角色代理相結合，提高信息檢索的精確度。該框架方便開發者快速構建分工明確的多智能體系統。

③AutoGen：微軟開源的AutoGen采取輕量級的消息列表記憶方案。智能體通過維護消息隊列記錄最近交互，以保持短期上下文；對于長期存儲，則依賴靈活的外部集成，讓開發者自行選擇向量存儲或數據庫。這種設計適合快速開發和協同任務。

④Mem0: Mem0是一個面向智能體的自我改進的記憶層方案，強調結合大語言模型的多層記憶體系。通過大語言模型自動提取和存儲對話中的重要信息并保持完整的上下文管理；同時持續更新和解決記憶中的沖突，保持一致性和準確度；結合向量數據庫進行記憶存儲并通過圖數據庫進行關系跟蹤；基于重要性和親近性，使用語義檢索和圖檢索查找相關記憶。

6、智能體記憶技術未來研究方向

綜合分析當前進展與挑戰，以下三個研究方向有望推動技術突破和產品創新：

①層次化記憶架構與壓縮算法：當下大語言模型受固定上下文窗口限制，未來可引入短期緩存與分級長期存儲結合的多級存儲模式，借助神經壓縮網絡、記憶選擇機制，搭配動態聚類和遺忘策略，優化記憶壓縮和層次檢索。賦予多輪對話助手、長期任務規劃機器人擁有類人般的持續性記憶，顯著提升交互的一致性與效率。

②多模態具身記憶融合：隨著多模態感知和機器人技術不斷發展，將視覺、空間和語言等信息統一編碼成為必要。通過匹配不同模態數據的尺度差異、動態變化及實時性要求，構建基于知識圖譜的環境模型，推動地理與語義記憶融合，利用深度神經網絡在嵌入空間融合視覺和語言記憶，可使家庭機器人、自動駕駛和增強現實等領域的智能體，能夠綜合利用攝像頭、傳感器和用戶指令信息，實現更靈活、安全的自主行為。

③個性化記憶與隱私保護機制：未來智能體將更注重與用戶長期共生并提供個性化服務，為此，可在記憶管理中應用本地/ 邊緣設備的聯邦記憶存儲，結合同態加密或差分隱私技術，并設計可解釋的用戶控制界面，讓用戶能透明管理記憶。這能有效打消用戶對隱私安全的顧慮，提升用戶體驗和信任度，進而推動智能體及 AI 服務在醫療、教育、金融、個人生活等更多領域的廣泛應用。

作者：侯琪

單位：中國移動研究院

來源: 中移科協