智能体的记忆怎么做

这篇适合谁，读完能做什么

适合正在给智能体加记忆，或者想让智能体越用越懂用户的开发者。读完你应该能分清短期记忆和长期记忆，知道会话上下文什么时候会丢，并能从 Mem0、Cognee、Azure AI Search 和知识智能体几种做法里选一个起点。^[1]

智能体为什么需要记忆

智能体最突出的两个特点，一是调用工具完成任务，二是随时间改进。记忆是做出能自我改进的智能体的基础。^[1]

没有记忆的 AI 应用往往是无状态的，每次交互都从零开始。智能体会「忘记」之前的上下文和偏好，用户体验既重复又让人沮丧。^[1]

有了记忆，智能体可以从过去的行动和结果中学习，在持续对话中保持上下文，根据历史数据提前响应或及时反应，也能更独立地借助已存的知识行动。目标是让智能体更可靠、更有能力。^[1]

记忆分几类

工作记忆：像一张草稿纸，服务于单个任务或一次思考过程，保存计算下一步所需的即时信息。即使完整的聊天记录很长或被截断，它也能抽取需求、方案、决定和行动等关键要素。例如，订票智能体会把「我想订一趟去巴黎的行程」保留在当前上下文中。^[1]
短期记忆：只保留单次对话或会话内的信息，让智能体能回指前面几轮的内容。例如用户先问去巴黎的机票多少钱，再问「那边住宿呢」，短期记忆能让智能体知道「那边」指的是巴黎。^[1]
长期记忆：跨多次对话或会话持续存在，记住用户偏好、历史交互或通用知识，是个性化的基础。例如，系统记下某位用户喜欢滑雪和户外活动、喜欢能看到山景的咖啡，并因为过去受过伤而要避开高级雪道，之后规划行程时就会据此推荐。^[1]
角色记忆（persona）：帮助智能体保持一致的「人设」或角色定位。如果它被设计成「滑雪行程专家」，角色记忆会强化这一定位，让回答符合这一角色。^[1]
流程记忆（workflow/episodic）：记录复杂任务中的步骤序列，包括成功和失败。例如订某个航班失败，记下这次失败之后，下一次就能改订其他航班。^[1]
实体记忆（entity）：从对话中抽取人、地点、事物和事件等实体，形成对关键要素的结构化理解。例如从一次巴黎之行的对话中抽取「埃菲尔铁塔」和「Le Chat Noir 餐厅的晚餐」，之后就能主动提出在那家餐厅重新订位。^[1]
结构化 RAG：RAG 是更宽泛的技术。结构化 RAG 从对话、邮件、图片等来源中抽取密集的结构化信息，利用信息本身的结构，而不只依赖语义相似度。例如从邮件中解析出目的地、日期、时间和航空公司，就能精确回答「我周二订的去巴黎的航班是哪趟」。^[1]

会话记忆：AgentSession 怎么用

在 Microsoft Agent Framework 的 Python SDK 示例中，短期记忆对应 AgentSession，用 agent.create_session() 创建。只要复用同一个会话，框架就会保留对话上下文。

但会话结束或应用重启后，这些上下文不会保存。需要跨会话保留的事实和偏好，要放进数据库、向量索引或其他持久化存储，也就是长期记忆。^[1]

长期记忆的两种做法

Mem0 是一个持久的记忆层，能让无状态的智能体变成有状态的。它分两个阶段处理记忆。第一是抽取：发给 Mem0 的消息由大模型总结对话历史，提取出新的记忆。第二是更新：同样由大模型判断每条记忆应该新增、修改还是删除。记忆存放在混合数据存储中，可以包括向量数据库、图数据库和键值数据库。^[1]

Cognee 是开源的智能体语义记忆，它把结构化和非结构化数据转成可查询的知识图谱，图谱背后有向量嵌入。它采用双存储结构，把向量相似度搜索和图关系结合起来，既能找出相似的内容，也能理解概念之间的关系。检索时，它把向量相似度、图结构和大模型推理结合起来。它在同一个相连的图谱中同时支持短期的会话上下文和长期的持久记忆。^[1]

示例中两种方案各有一个 notebook：一个用 Mem0 加 Azure AI Search，配合 Microsoft Agent Framework；另一个用 Cognee 构建结构化记忆。^[1]