LLM本质上是无状态的模型，每次调用都像一次“短暂失忆”。为了让 AI Agent真正理解上下文、具备个性化交互和任务持续性，引入记忆系统至关重要。本文将从技术与架构角度出发，介绍构建短期和长期记忆的方法和最佳实践。

---

一、AI Agent中的记忆类型

Memory在Agent中的作用

1. 短期记忆（Short-Term Memory）

• • 主要通过上下文窗口或滚动缓存维持；

• • 适用于保持当前会话连贯性；

• • 依赖于 LLM 的 token 限制，不能存储跨会话知识。

2. 长期记忆（Long-Term Memory）

• • 可持久化存储知识、用户偏好、交互事件等；

• • 分为三类：

  • • 语义记忆：结构化知识；

  • • 情节记忆：用户行为记录；

  • • 程序性记忆：执行流程和策略。

这种记忆帮助代理“记住你是谁”，支持更复杂的个性化和任务处理。

---

二、 Agent Memory的基本实现方案

1. 向量数据库（基于嵌入的召回）

• • 工具：FAISS、Pinecone、Weaviate、Qdrant、ChromaDB

• • 优点：

  • • 适合语义检索；

  • • 高度可扩展，适应上下文相关性。

• • 缺点：

  • • 向量计算代价高；

  • • 召回质量依赖嵌入质量。

• • 适用场景：需要长时记忆但不想存储原始文本的聊天机器人。

2. 基于token的上下文窗口（滑动窗口）

• • 工具：OpenAI Assistants API、LangChain Buffer Memory

• • 优点：

  • • 实现简单，成本低；

  • • 不依赖外部存储。

• • 缺点：

  • • “健忘”：旧数据不断被新数据挤出；

  • • 不具备跨会话记忆。

• • 适用场景：仅需要当前会话上下文的简单助手。

---

三、最佳实践

1. 分层记忆架构（Layered Memory System）

层级	说明
短期	使用上下文窗口维持对话连贯性
中期	将摘要或嵌入存储在向量数据库
长期	使用 SQL/NoSQL 持久化结构化知识

2. 优化检索效率

• • 利用层级摘要压缩历史数据；

• • 拆分长文本（chunking）优化向量搜索；

3. 控制计算与成本

• • 使用 Redis 进行低延迟缓存；

• • 使用本地部署的 FAISS 进行快速向量召回；

• • PostgreSQL 用于结构化数据的长期保存。

4. 应用场景推荐

应用场景	推荐架构
聊天机器人	Pinecone / FAISS + Redis 作为会话缓存
LLM 助手	LangChain Buffer + SQL + 向量检索混合方案
金融类智能体	PostgreSQL + 向量数据库分析长期报告
自主代理 / 全能AI助手	Letta AI + NoSQL 实现复杂分层记忆

---

四、总结

在实际应用中，需要考虑效率和准确率、以及性价比来选择最合适的方案。

• • 对于简单的聊天机器人场景，可以直接使用滑动窗口维护上下文，利用LLM的长上下文能力保持记忆；

• • 如果需要Agent能在多个会话历史中保持记忆，则需要借助数据库进行持久化；

• • 对于超长期的记忆，可以利用LLM进行关键信息的抽取并进行结构化存储。

 

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓