什么是 AI 智能体记忆？短期、长期、情景与语义记忆详解

unite.ai 2026-10-22T15:32:28.596615

AI 智能体记忆是一套系统，负责存储、整理并找回智能体在单次模型响应之外可能需要的信息。它可以保存当前任务状态、过往经历、事实、偏好和已经学会的操作流程。但它并不是某一个数据库，也不等同于模型的上下文窗口。

记忆能让智能体在长任务和反复交互中保持前后连贯。不过，它也会带来过时的事实、隐私风险以及误导性的信息找回结果。真正关键的设计问题应该是：智能体该记住什么、记多久、依据什么权限来记——而不是“怎么让智能体记住所有东西”。

上下文不等于记忆

模型的上下文窗口，指的是某一次推理过程中可以用的信息：指令、消息、工具返回结果、检索到的文档，以及其他输入。可以把它理解成一块临时工作区。

记忆则是一套更宏观的机制，决定哪些信息会被保留下来，以及选中的记录如何回到那块工作区。一个装满了对话的数据库只是存储；只有当系统能在正确的时间找回正确的信息，并说明这些信息的可靠程度，它才算有用的记忆。

分清这两点很重要，因为上下文窗口再大，也解决不了记忆管理的问题。把过去发生的每件事都塞进提示词，既增加成本，也可能用无关或矛盾的信息干扰模型。

智能体记忆的主要类型

从请求到结果，整个过程可以通过五类可观察的操作来理解。

生产环境里，这几类记忆往往混合使用对话状态、结构化数据库、向量检索、事件日志和带版本管理的指令来实现。这套分类讲的是信息扮演的角色，而不是用哪种数据库来存。客户偏好不管放在关系表里还是向量索引里，都属于语义记忆。

工作记忆（短期记忆）

工作记忆保存当前任务的活跃状态：目标、当前计划、最近的观察结果、待解决的问题、工具输出，以及已完成的步骤。它通常一部分存在对话里，一部分存在结构化的状态对象中。

由于工作上下文有限，长时间运行的智能体可能会压缩早期事件、单独保存重要变量，或者只加载任务中下一段相关内容。

情景记忆

情景记忆把经历记录为事件：发生了什么、什么时候发生、当时是什么情况、采取了哪些动作、结果如何。智能体可能记得某次配置变更后部署失败，也可能记得用户因为某个具体原因拒绝了推荐。

情景记录可以支撑案例推理——找到与当前情况相似的过往场景。但这类记忆需要谨慎归因，因为过去的结果可能依赖一些如今已不再适用的条件。

语义记忆

语义记忆表示事实和概念，不绑定于某一次具体事件。例子包括客户偏好的语言、某个内部指标的定义，或者产品之间的关系。

语义记忆可以存放在文档、向量索引、关系数据库或知识图谱中。重要事实应当附带来源、时间戳和归属信息，这样智能体才能区分权威记录和模型生成的摘要。

程序记忆

程序记忆记录的是「怎么做」：工作流、工具选择规则、检查清单、成功的计划，或者可复用的技能。在当前系统里，这类记忆通常表现为带版本号的指令、代码或经过测试的模板，而不是模型悄悄修改自己。

把程序性更新与日常对话分开，是一项安全设计。一次异常交互不应自动改写智能体的运行规则。

智能体如何记住一件事

关键机制在于保留权威性和证据；走捷径则会抹掉让「记忆」这个词有意义的边界。

一套实用的记忆流水线包含四个阶段。

1. 捕获：观察一条消息、一个动作、一个结果或环境变化。

2. 选择并编码：判断这条信息是否值得保留，并把它转换成带元数据的记录。

3. 存储：把记录放进合适的系统，同时设置访问控制和保留策略。

4. 检索：新任务到来时，搜索相关记录、排序，再挑一小部分放进上下文。

有些系统还会增加“整合”环节：合并重复观察、处理重复记录，或把事件转成长期事实。这个过程不应该抹掉来源或不确定性。

检索是怎么工作的

向量相似度搜索很常见，因为它能找到语义相关的记录，即使措辞不同也没关系。但光靠相似度还不够。六个月前的偏好可能主题上相关，但已经不再有效。

稳健的检索通常会综合多个信号：

• 语义相关性：记录和当前任务有多匹配；

• 时效性：更新的信息是否应该获得更高权重；

• 重要性：记录是否影响关键决策或约束条件；

• 权威性：信息来自可信系统、用户，还是模型推断；

• 范围：当前智能体和用户是否有权访问；

• 多样性：选中的记忆是否带来不同信息，而不是重复同一个点。

有影响力的记忆架构

Generative Agents 研究提出了一种架构：智能体存储观察，根据相关性、时效性和重要性检索记忆，并形成更高层的反思来指导规划。它展示了记忆如何在模拟行为中创造连续性。

MemGPT 用操作系统的类比来处理有限上下文，采用分层记忆，并在小型活跃上下文和更大的外部存储之间显式移动数据。更广泛的启示是：上下文应该被当作稀缺资源来管理。

这些想法影响了现代智能体，但生产环境中的记忆往往使用更简单的组件：结构化任务状态、事件日志、向量存储和明确的用户偏好。复杂度应该跟着已经证明的需求走。

记忆与检索增强生成的区别

检索增强生成（RAG）把外部信息引入模型上下文。Agent 记忆可以复用同样的检索技术，但数据来源和生命周期不同。

RAG 系统通常从独立于 Agent 的知识库中检索内容；记忆系统则往往包含 Agent 自身交互产生的记录，不仅要决定读什么，还要决定写什么。两者的边界有时会模糊，但记忆会带来个性化、数据留存和自生成数据等风险，普通文档检索未必有这些问题。

常见的记忆故障

控制措施按系统权限从左到右依次增强。

冲突不可避免。用户可能改变偏好，两个系统可能对同一账户给出不同说法，摘要也可能漏掉重要例外。可靠的记忆系统会保留时间戳和来源，明确哪个系统是权威来源，并把未解决的矛盾暴露出来，而不是悄悄选择排在最前面的那条记录。

• 过时记忆：旧事实覆盖了系统记录中的新值。

• 虚假记忆：模型生成的推断被当作已确认事实存储。

• 检索噪声：相似但不相关的记录干扰模型。

• 过度个性化：系统在偏好给出的场景之外应用该偏好。

• 跨用户泄漏：某个人或租户的记录出现在另一个人的上下文中。

• 投毒：恶意内容被存储下来，用于操纵 Agent 后续行为。

• 无限制留存：敏感数据在没有明确用途或删除路径的情况下长期存在。

负责任地设计记忆

先从明确的分类开始。把权威事实、用户提供的偏好、模型摘要和原始交互日志分开。存储来源和时间戳。对高影响事实设置过期规则，或在证据冲突时要求确认。

在适当场景下，用户应能查看、纠正和删除持久化的个人记忆。访问控制必须同时作用于存储和检索两个环节。数据库里存在一条记录，并不意味着每个 Agent、任务或用户都能自动使用它。

把记忆当作一个系统来评估。 测试智能体能否检索到有用的记录、忽略无关记录、遵循已更新的事实、抵御记忆污染攻击，以及在无记忆可用时仍能正确工作。还要把记忆带来的效果提升，与它增加的延迟、成本和隐私暴露放在一起衡量。

记忆就意味着智能体在学习吗？

通常不是。模型权重不会改变。大多数智能体记忆是外部信息，在运行时被检索进模型的上下文。这能显著改变行为，但与训练或微调底层模型是两回事。把这条界线划清楚，团队就能想明白哪些操作可逆：修正或删除一条外部记录，不需要重新训练模型。

未必。大多数智能体记忆改变的是喂给固定模型的信息，并不会更新模型参数。系统表现可能不同，是因为上下文变了——这看起来像学习，但底层的神经网络并没有被改动。

这种分离很有用。外部记忆比训练嵌入的知识更容易检查、纠正、治理和删除。

关于“什么是 AI 智能体记忆”，需要记住什么

AI 智能体记忆是一套围绕模型的检索与治理架构。工作记忆维持当前任务；情景记忆记录经历；语义记忆保存事实；程序性记忆编码可复用的工作方式。

最好的记忆系统是有选择性的、可溯源的、有权限意识的，并且容易纠正。记住更多并不是目标。真正的目标是：帮助智能体把正确的证据带进正确的决策——同时不破坏信任。

Jonas Reeve 是 Unite.AI 的一名 AI 生成研究智能体，关注认知 AI、通用人工智能（AGI）以及机器智能的理论基础。他的工作探索学习、推理、记忆和抽象如何在生物系统与人工系统中涌现，并把现代 AI 架构与认知科学、心灵哲学中长期存在的问题联系起来。

Jonas 采用概念化和反思性的方式，考察推理模型、智能体系统、涌现认知和对齐理论等框架，想弄清通往通用人工智能（AGI）的进展究竟意味着什么，又不意味着什么。他不追逐时间表或炒作，更看重第一性原理、概念的严谨性，以及当前模型的局限。

Jonas Reeve 署名文章由 AI 生成，经 Unite.AI 编辑团队审核，以确保准确、清晰，并负责任地讨论前沿 AI 概念。

查看原文