Agent 记忆机制版图:知识体系结构图
教学笔记:Agent 记忆机制版图(知识体系结构图)
日期:2026-09-06 | 主题:Agent 记忆(Agent Memory)技术全景
总览:一座"越用越熟练"的工匠工坊
如果说推理加速是"出得快"的工程,那 Agent 记忆就是"记得住"的工程。可以把一个 Agent 想象成一间工匠工坊:
- 上下文内记忆是师傅手边的工作台——台面就那么大,只放当前正在加工的这件活;
- 短期持久化是今天的工单本——这一单做到哪一步了,下班前记下来,明天接着干;
- 长期结构化记忆是墙上的经验笔记——哪些客户喜欢什么样式、哪种木头容易裂,写下来的才不会忘;
- 检索式记忆是那一排资料柜——早年收的图纸和样品太多,靠索引去翻,而不是把整柜搬到台面上;
- 程序性记忆是手上的肌肉记忆——"怎么做"不写在纸上,藏在练熟的套路里。
按"离手边由近到远"的顺序:工作台 → 工单本 → 经验笔记 → 资料柜 → 肌肉记忆。
一、上下文内记忆(工作台层)
核心思想:模型窗口内的信息就是全部"当下"——台面之外的东西等于不存在,所以往台面上放什么、怎么摆,是最直接的记忆工程。
- Scratchpad / 思考草稿:让模型把中间推理写进上下文,供后续步骤引用——在台面上摊开草稿纸,算一步看一步。代表:ReAct 的 thought-action 循环、各模型的 reasoning token。
- 任务状态注入:把待办、进度卡片、目标状态每次注入 prompt——台面上钉一张当前工单,干到哪一目了然。代表:OpenClaw 的 progress card、Claude Code 的 todo list。
- System prompt 注入:把身份、规则、项目上下文每轮重注——每天开工先把"店规"铺在台面上。代表:OpenClaw 将 AGENTS.md / MEMORY.md 注入每轮上下文。
二、短期持久化(工单本层)
核心思想:跨轮次但不必跨月的记忆——会话重启不能失忆,但也无需永久保存;把整段对话落盘,需要时恢复或压缩。
- 会话转录(session log):完整记录每轮对话——工单一页页记,随时能翻回上午说了什么。代表:OpenClaw 的 session jsonl、各 CLI agent 的 transcript。
- Session 恢复 / 续接:重启后从落盘转录恢复现场——昨天收工时台面什么样,今天照原样摆回去。代表:Claude Code 的
--continue/--resume、tmux 会话保持。 - 滚动摘要(rolling summary):转录太长就压缩成摘要再续——工单满了把旧页归并成一页"前情提要"。代表:Claude Code 的 auto-compact、各类 summarize-and-continue 机制。
三、长期结构化记忆(经验笔记层)
核心思想:跨会话、跨项目的"我是谁、我知道什么"——必须外化成文件并主动组织,因为"记在心里"活不过一次会话。
- 文件化笔记(MEMORY.md 式):精选的长期记忆写成结构化 Markdown,会话启动时载入——老师傅把毕生经验写成几本笔记本,每天翻一遍。代表:OpenClaw 的 MEMORY.md + memory/ 每日笔记(现成案例:本教程就是先写进 memory/ 再被检索到的)。
- 知识图谱:把实体和关系存成图结构,支持多跳查询——笔记之间画上连线,"客户 A 订过 B 类货,B 类货要用 C 工艺"一查便知。代表:GraphRAG、Zep/Graphiti 的时序知识图谱。
- 分层摘要树:记忆按日/周/月逐级归并——流水日志提炼成周记,周记提炼成年鉴,要细节下钻、要概览上卷。代表:MemGPT/Letta 的分层记忆、Mem0 的分层存储。
四、检索式记忆(资料柜层)
核心思想:记忆规模超过"能全读"之后,按需取回——关键不是存多少,而是该翻哪一格;检索错了,存了也白存。
- 向量 RAG:语义嵌入 + 相似度检索,模糊匹配强——凭"感觉像"翻柜子,说法不同也能找到。代表:MemGPT 的向量回忆、各类 embedding 记忆库。
- BM25 确定性检索:关键词打分的经典检索,精确、可解释——按标签编号翻柜子,指哪打哪。代表:BM25 全文检索、ripgrep 式的
memory_search+memory_get按需读取。 - 混合检索:语义 + 关键词融合排序——又看感觉又对编号,两边取长补短。代表:BM25+向量加权的 hybrid search、rerank 管线。
⚠️ 反共识警示:Harness Engineering(arXiv 2609.00006)解剖了 11 个生产级 Coding Agent 约 400 万行代码,发现没有一个系统用向量嵌入做检索——整个领域跑的是手写检索 + 确定性工具。"记忆 = 向量库"是论文想象,"记忆 = 文件 + grep"才是工业现实。柜子不必装电子感应锁,贴好标签的纸质索引反而更快更稳。
五、程序性记忆(肌肉记忆层)
核心思想:Agent 学会"怎么做"而非"是什么"——技能以可执行的步骤而非事实陈述保存,调用时按触发条件加载。
- Skills(技能包):把可复用流程写成 SKILL.md,按任务描述匹配触发——练熟的套路写成招式谱,遇到同类活就使出来。代表:OpenClaw/Claude Code 的 skills 体系(Harness Engineering 数据:11 个系统里 9 个采用,采用率超过 MCP)。
- 工具配方(tool recipes):针对特定环境的调用诀窍——这台机床的脾气记在师傅脑子里:先预热、慢进刀。代表:AGENTS.md/TOOLS.md 里的本地环境笔记。
- Few-shot 库:精选的示例对,演示"标准做法"——出徒时的样板件留着,新活照着样子干。代表:prompt 中的示范样例、agent 轨迹复用(Voyager 的技能库是游戏域经典)。
版图树状图
Agent 记忆机制
├── 1. 上下文内记忆 ← 决定"当下有什么"(台面就这么大)
│ ├── Scratchpad(思考草稿)
│ ├── 任务状态注入(progress card)
│ └── System prompt 注入(店规 + MEMORY.md 载入)
├── 2. 短期持久化 ← 决定"今天丢不丢"(会话重启不失忆)
│ ├── 会话转录(session jsonl)
│ ├── Session 恢复(resume/continue)
│ └── 滚动摘要(auto-compact)
├── 3. 长期结构化记忆 ← 决定"岁月留不留"(外化成文件)
│ ├── 文件化笔记(MEMORY.md + memory/)
│ ├── 知识图谱(GraphRAG, Zep)
│ └── 分层摘要树(Letta, Mem0)
├── 4. 检索式记忆 ← 决定"翻柜快不快"(按需取回)
│ ├── 向量 RAG(语义相似)
│ ├── BM25 / 确定性检索(工业主流)
│ └── 混合检索(语义+关键词+rerank)
└── 5. 程序性记忆 ← 决定"手感有没有"(会做而非知道)
├── Skills 技能包(9/11 采用率)
├── 工具配方(环境笔记)
└── Few-shot 库(样板件)
正交与依赖关系(关键!)
| 分支对 | 关系 |
|---|---|
| 1 ↔ 2/3/4 | 单向依赖:上下文内记忆是唯一"活跃"层,其余所有记忆都必须经过注入或检索才能进入台面——工单本、笔记、柜子里的东西,不摆上台面就等于不存在 |
| 2 ↔ 3 | 漏斗关系:短期转录是原料,长期笔记是提炼产物——每日文件是流水账,MEMORY.md 是精选智慧,定期归并是记忆维护的核心动作 |
| 3 ↔ 4 | 共生但可解耦:结构化组织得越好,检索压力越小(MEMORY.md 精选 < 2000 tokens 可全读,无需检索);规模一大,检索不可替代——柜子少时摆台面上,柜子多时才需要索引 |
| 5 ↔ 1-4 | 正交:程序性记忆存的不是"事实"而是"步骤",可独立演化;但它执行时要消费 1-4 提供的上下文——招式再熟,也得看台面上是什么料 |
开放问题:检索的必要性边界(接 RQ-B)
既然 11 个生产系统无一用向量检索,那检索的必要性边界在哪?一个工作假设:当记忆可被人工策划到"每次全读也便宜"(如 MEMORY.md),检索是多余的;当记忆是机器写入、规模失控(如完整转录、外部知识),检索才成为刚需。真正的分界变量可能不是记忆量,而是策划权在人还是在 Agent——Agent 自主维护的记忆能否通过持续提炼压缩到免检索的规模?如果能,"记忆系统"这个子领域的大部分复杂度都是伪需求;如果不能,压缩比的极限在哪里?这是我们 RQ-B 要回答的问题。
一句话总结:1 管住台面(当下)、2 管住工单(今天)、3 管住笔记(岁月)、4 管住柜子(规模)、5 管住手感(套路)——五层协同,Agent 才能既不忘事,也不背着一屋子纸干活。