Agent开发完全实战指南(五)记忆系统
上一篇我们让 Agent 在一次会话里不会撑爆。但有个更扎心的问题没解决:关掉程序、重新开一个会话,它就把之前学到的一切忘得干干净净。
上周它辛辛苦苦排查出"某个报错是依赖版本冲突导致的",这周遇到一模一样的报错,它又从零开始摸索一遍。它是条金鱼,记忆只有七秒。
人是怎么变强的?靠积累经验。Agent 也一样。
记忆系统的一句话概括:把 Agent "这次学到的东西"持久化下来,让它"下次遇到相似问题时能取回来用"——这就是 Agent 从"金鱼记忆"进化到"越用越强"的关键。
一、两种记忆:短期与长期
先分清两个概念,别混为一谈:
| 类型 | 是什么 | 生命周期 | 我们做过吗 |
|---|---|---|---|
| 短期记忆 | 当前会话的对话历史(那个 messages 数组) | 会话结束就没了 | 前几篇一直在用 |
| 长期记忆 | 跨会话持久化的知识和经验 | 永久保存,可反复取用 | 本篇要做的 |
短期记忆你已经很熟了。这一篇的主角是长期记忆——存在数据库或文件里,新会话能检索出来的那部分。
二、长期记忆的三种类型
长期记忆不是一坨,业界(借鉴认知科学)把它分成三类。理解这个分类,你才知道"什么该记、怎么用":
| 类型 | 存什么 | 类比 | 对 Agent 的用途 |
|---|---|---|---|
| 情景记忆(Episodic) | 过去发生的具体案例 | "上次那个 bug 是这么修的" | 检索相似历史案例,做 few-shot 示范 |
| 语义记忆(Semantic) | 事实与知识 | "MySQL 死锁通常由并发事务导致" | 沉淀领域知识,形成知识库 |
| 程序性记忆(Procedural) | 学到的操作流程/规则 | "遇到 X 类问题,按 A→B→C 排查" | 固化成 SOP,甚至反哺进系统提示 |
关键洞察:对大多数 Agent 来说,性价比最高的是先做「情景记忆」——把每次成功解决的案例存下来,下次遇到相似问题时检索出来当例子。因为「给模型看一个相似的成功案例」,往往比「给它讲一堆抽象规则」更有效。
三、记忆的三个动作
一个记忆系统,无非要处理三件事:
flowchart LR
A[写入 Write
什么值得记?] --> B[检索 Retrieve
何时取回?]
B --> C[更新/遗忘 Update
过时了怎么办?]
C --> A- 写入(Write):不是什么都记。只记有价值、被验证过的经验(比如被用户确认正确的诊断结论),否则就是往脑子里灌垃圾。
- 检索(Retrieve):新任务来了,怎么找到"最相关"的历史记忆?这一篇先用关键词重叠做最简版,第 06 篇用向量检索升级成语义匹配。
- 更新/遗忘(Update):记忆会过时。要能更新、能淘汰低质量的记忆。
四、经验飞轮:记忆为什么能让 Agent 越用越强
把三个动作串起来,就是 Agent 变强的核心引擎——经验飞轮:
flowchart TD
T[解决一个新问题] --> W[把成功经验写入长期记忆]
W --> Store[(记忆库
越来越丰富)]
Store --> R[下次遇到相似问题
检索出历史经验]
R --> Better[更快、更准地解决]
Better --> T没有这个飞轮,Agent 永远停在"出厂水平";有了它,Agent 处理的问题越多,就越聪明。 这是低质量 demo 和高质量产品的分水岭之一。
五、动手:给 Agent 装上记忆
我们做一个最简的情景记忆模块:存历史案例,按关键词相似度检索。本篇代码离线可跑,聚焦记忆逻辑本身。
5.1 记忆的数据结构
// MemoryItem 一条情景记忆:一个"问题 -> 解决方案"的案例
type MemoryItem struct {
Signature string // 问题特征(用于检索,如报错关键词)
Problem string // 问题描述
Solution string // 解决方案(结论)
Score float64 // 质量分(只有高分记忆才值得存和用)
}
5.2 存储:只记高质量经验
type MemoryStore struct {
items []MemoryItem
}
// Add 写入一条记忆。质量分过低的直接拒绝(垃圾进,垃圾出)
func (s *MemoryStore) Add(item MemoryItem) bool {
if item.Score < 0.6 { // 质量门槛
return false
}
s.items = append(s.items, item)
return true
}
关键洞察:写入必须有质量门槛。只沉淀「被确认正确 / 高置信度」的经验。如果把错误的结论也存进去,下次检索出来当范例,反而会把 Agent 带偏——这就是「垃圾进,垃圾出」。
5.3 检索:找出最相似的历史案例
这一篇用最朴素的关键词重叠度来衡量相似度(够用来跑通闭环)。注意中文没有空格分不了词,这里用"字符二元组"做最简切分:
// toWordSet 把文本切成特征集合。
// 中文没空格,用「字符二元组 bigram」切分:"依赖超时" -> {依赖, 赖超, 超时}
func toWordSet(text string) map[string]bool {
set := map[string]bool{}
var cjk []rune
for _, r := range text {
if r >= 0x4e00 && r <= 0x9fff {
cjk = append(cjk, r) // 收集中文字符
}
}
for i := 0; i+1 < len(cjk); i++ {
set[string(cjk[i:i+2])] = true // 相邻两字组成一个特征
}
return set // 完整版还会加入 ASCII 单词,见配套代码
}
// similarity 计算两段文本的关键词重叠度(0~1),最简相似度
func similarity(a, b string) float64 {
setA := toWordSet(a)
setB := toWordSet(b)
if len(setA) == 0 || len(setB) == 0 {
return 0
}
overlap := 0
for w := range setA {
if setB[w] {
overlap++
}
}
return float64(overlap) / float64(len(setA)) // 简化:交集占 A 的比例
}
// Search 检索与 query 最相似的 topK 条记忆
func (s *MemoryStore) Search(query string, topK int) []MemoryItem {
type scored struct {
item MemoryItem
sim float64
}
var ranked []scored
for _, it := range s.items {
sim := similarity(query, it.Signature+" "+it.Problem)
if sim > 0 {
ranked = append(ranked, scored{it, sim})
}
}
sort.Slice(ranked, func(i, j int) bool { return ranked[i].sim > ranked[j].sim })
var result []MemoryItem
for i := 0; i < len(ranked) && i < topK; i++ {
result = append(result, ranked[i].item)
}
return result
}
这种字符 bigram 匹配能对上"依赖超时"和"依赖下载超时",但仍认不出"内存溢出"和"OOM"、"付款失败"和"支付异常"是一回事(字面无重叠)。第 06 篇的向量检索才能解决这种语义匹配。
5.4 把记忆注入 Agent
记忆怎么用?在 Agent 开始处理新任务前,检索相似历史案例,作为 few-shot 示范塞进系统提示:
// buildSystemPromptWithMemory 检索相关记忆并拼进系统提示
func buildSystemPromptWithMemory(store *MemoryStore, task string) string {
base := "你是一个运维诊断助手。"
memories := store.Search(task, 2) // 检索最相似的 2 条
if len(memories) == 0 {
return base
}
var sb strings.Builder
sb.WriteString(base)
sb.WriteString("\n\n以下是过去解决过的相似案例,供你参考:\n")
for i, m := range memories {
sb.WriteString(fmt.Sprintf("案例%d:\n 问题:%s\n 解决:%s\n", i+1, m.Problem, m.Solution))
}
return sb.String()
}
于是流程变成:新任务 → 检索相似历史 → 把成功案例作为参考注入 → Agent 带着"前车之鉴"去解决 → 解决后把新经验写回记忆库。 飞轮转起来了。
完整可运行示例见 code/05-memory/:它预置几条历史案例,用一个新问题检索,并展示注入后的系统提示长什么样。
六、决策指南:要不要上记忆、上哪种
| 你的处境 | 建议 |
|---|---|
| 任务高度重复、有明显"套路" | 强烈建议上情景记忆,收益最大 |
| 有稳定的领域知识/文档 | 上语义记忆(本质是 RAG,第 06 篇) |
| 某类问题排查流程稳定 | 沉淀程序性记忆,甚至固化成工具或系统提示 |
| 一次性任务、不重复 | 可以先不上记忆,别过度设计 |
| 关键词检索不够准(同义词多) | 升级到向量检索(第 06 篇) |
七、常见坑速查
| 坑 | 后果 | 正确做法 |
|---|---|---|
| 什么都往记忆里塞 | 检索出一堆噪声 | 设质量门槛,只存被验证的经验 |
| 存了错误结论 | 下次被当范例带偏 | 只沉淀高置信/已确认的案例 |
| 检索不设相关性阈值 | 塞进不相关的"案例"干扰模型 | 相似度太低就不注入 |
| 记忆从不更新淘汰 | 过时经验误导 | 定期更新、淘汰低质量记忆 |
| 关键词检索硬扛语义匹配 | 认不出同义问题 | 上向量检索(第 06 篇) |
八、小结与下一篇
- 记忆分短期(会话历史)和长期(跨会话持久化)。
- 长期记忆三类:情景(案例)、语义(知识)、程序性(流程),优先做情景记忆。
- 三个动作:写入(设质量门槛)、检索(找相关)、更新(防过时)。
- 经验飞轮是 Agent 越用越强的核心引擎。
这一篇的检索用的是简陋的关键词重叠,它有个致命缺陷:认不出"内存溢出"和"OOM"、"付款失败"和"支付异常"是一回事。真实世界的检索必须理解语义,而不是抠字面。
下一篇预告——《RAG 检索增强:给 Agent 接上外部知识》:我们会讲透 embedding(把文字变成向量)、向量检索、chunking 切分,把这一篇的关键词检索升级成真正的语义检索,让 Agent 能从海量文档/知识库里精准捞出相关内容。这是记忆和知识落地的技术底座。
参考资料
| 资料 | 来源 |
|---|---|
| Memory in LangGraph(短期/长期、三类记忆) | langchain-ai.github.io/langgraph/concepts/memory |
| MemGPT: Towards LLMs as Operating Systems(记忆分层) | arxiv.org/abs/2310.08560 |
| mem0(开源记忆层实现,可参考设计) | github.com/mem0ai/mem0 |
| Generative Agents(情景记忆 + 反思的经典论文) | arxiv.org/abs/2304.03442 |