← 全部文章
教程

AI Agent 记忆架构:从列表到知识图谱

March 25, 2026 · 约 3 分钟 · 1005 字

AI Agent 记忆架构:从列表到知识图谱

为什么 Agent 需要记忆?

纯 LLM 对话是无状态的。但真正的 Agent 需要:

  • 积累经验,避免重复犯错
  • 建立知识间的关联
  • 根据新信息修正旧认知

三代记忆架构演进

flowchart LR
    subgraph Gen1["第一代:Flat List"]
        direction TB
        E1["经验1"] --- E2["经验2"]
        E2 --- E3["经验3"]
        E3 --- E4["..."]
    end
    
    subgraph Gen2["第二代:Structured Memory"]
        direction TB
        WM["短期记忆"] --> LM["长期记忆"]
        LM --> ARCH["归档"]
    end
    
    subgraph Gen3["第三代:Graph Memory 🔥"]
        direction TB
        N1["API超时重试"] -->|导致| N2["重试失败→报警"]
        N1 -->|优于| N3["直接报错"]
        N2 -->|依赖| N4["告警系统配置"]
    end
    
    Gen1 -->|演进| Gen2 -->|演进| Gen3

第一代:Flat List(扁平列表)

每次经验存为一条独立记录,检索时用语义相似度匹配。

[经验1: "用户喜欢简洁回复"]
[经验2: "Python 比 JS 适合数据处理"]
[经验3: "API 超时时应该重试3次"]

✅ 实现简单 | ❌ 经验之间没有关系,噪声大

第二代:Structured Memory(结构化记忆)

把记忆分成不同类型:短期 → 长期 → 归档。

✅ 检索更精准 | ❌ 仍缺乏经验间的动态关系

第三代:Graph Memory(图记忆)🔥

把经验存为图的节点,关系存为边。

[API超时重试] --导致--> [重试后仍失败则报警]
[API超时重试] --优于--> [直接报错]

✅ 检索准确率最高 | ❌ 图构建和维护成本高

实际应用建议

场景 推荐方案
简单对话助手 Flat List
有工具调用的 Agent Structured Memory
长期运行、需要积累经验 Graph Memory
需要从失败中学习 Graph Memory + 在线校准

四条设计原则

  1. 记忆不是越多越好——噪声记忆比没记忆更糟
  2. 关系比内容更重要
  3. 记忆需要进化——静态记忆会过期
  4. 检索要"适用性感知"——不是找最相似的,而是找最适合的
教程Agent架构记忆系统知识图谱早期文章