1 · 记忆是什么：为什么 Agent 必须要有记忆

先讲一个根本问题：为什么大模型要有记忆？因为大模型本身是无状态的——它每次回答都基于当前这一次对话的上下文，关掉窗口就什么都不记得了。而一个真正好用的智能体，需要记得你叫什么、你的偏好、你上次让它做到哪一步。这些"记得住"的能力，就得靠一套记忆系统补上。

工程上，记忆是对认知科学四类记忆的映射：情景记忆=会话历史与操作日志，语义记忆=知识库与项目文档，程序性记忆=工具调用模式与技能，工作记忆=当前上下文。因为大模型窗口有限，记忆系统的本质就是一句话：把窗口外值得记住的信息压缩存储，需要时再检索回窗口。所以做记忆，核心不是"存得多"，而是"记得准、忘得对"。

2 · 记忆是一个生命周期闭环

记忆不是存进去就完事，而是一个不断运转的闭环：写入 → 组织 → 存储 → 检索 → 遗忘，然后被遗忘或压缩的内容又进入下一轮写入。真正的记忆系统，是把这个循环的每一步都做成可管理、可审计的工程环节。

3 · 分层记忆架构（MemGPT / Letta 范式）

主流做法是分层：最上面是工作记忆，就是当前窗口里的内容；最下面是长期记忆，存在外部存储里。中间有一个记忆管理层负责读写——它用函数调用（self-editing memory）来操作记忆，也就是让模型自己能"写"和"改"记忆。

关键有三点：记忆按 raw → working → core 分级；每条记忆带重要性、访问计数、时间戳三个属性；据此决定什么时候刷新、什么时候遗忘。这套设计让记忆不是一堆死数据，而是能自我维护的活系统。

4 · 记忆压缩与存储：三种做法

到底用什么技术把记忆存下来？主流有三种，各有适用场景：

• 摘要压缩（rolling summary）：窗口快满时，让模型把历史总结成摘要——只保留决策、文件路径、未决问题，下次加载摘要。好处是省 token，坏处是会丢细节。适合日常会话记忆。
• 检索增强（RAG）：文档切块 → 向量化 → 向量库，按语义相似度取 top-k 注入。适合海量知识，比如公司文档、项目资料——你不需要全部记住，只要"能查得到"。
• 结构化记忆库（memory bank）：事实型记忆带元数据入库，用重要性 × 访问热度 / 时间衰减来排序，决定记什么、忘什么。适合长期稳定的个人偏好与事实。

5 · Claude Code 里的真实机制（可对照）

Claude Code 是目前把记忆工程做得最成熟的产品之一，它的四个机制可以当作对照范本：

注意它最后一条很有启发：把记忆写进仓库、用 git 做版本控制——这样记忆不只存在模型里，而是可回溯、可回滚的工程资产。这也是"记忆工程"和"缓存"的本质区别：记忆要能被审计、被版本化。

6 · 记忆设计要点

• 记决策、偏好、约束、未决问题；不记一次性细节——记错方向比不记更糟。
• 每条记忆带来源、时间戳、重要性——这是刷新与遗忘的基础，没有元数据就无法管理。
• 防记忆污染：过期/冲突记忆会误导决策，需要冲突消解与复核——这正是会议里讲的"记忆幻觉防控"。