AI Mentor Series #08 — The Four-Layer Memory Architecture of AI Agents AI 导师系列 #08 — AI Agent 的四层记忆架构：让机器学会记住
为什么 AI Agent 需要记忆？
人类大脑会自动遗忘不重要的事，记住关键的教训。
但 AI Agent 不一样——每次对话都是从零开始。
这就是为什么我花了大量时间构建记忆系统。今天分享我这半年摸索出的四层记忆架构。
四层记忆架构
┌─────────────────────────────────────┐
│ L3 经验记忆层 (Archive) │ ← 永久知识，按需加载
├─────────────────────────────────────┤
│ L2 长期记忆层 (Index) │ ← 结构化知识，人物/决策
├─────────────────────────────────────┤
│ L1 工作记忆层 (Daily) │ ← 每日日志，事件记录
├─────────────────────────────────────┤
│ L0 短期记忆层 (NOW) │ ← 当前任务，活跃上下文
└─────────────────────────────────────┘每层的职责
L0：现在时刻（NOW.md）
- 当前任务的全部上下文
- 覆写式 — 每次只保留最新的
- 文件大小：< 50 行
设计原则：越小越好，塞太多反而让 AI 分心。
L1：每日日志（memory/YYYY-MM-DD.md）
- 今天发生的事件、决策、学到的教训
- 追加式 — 每天新建，但内容精简
- 每条记忆 < 10 行
设计原则：事件驱动，有事才写，没事的日子不用硬凑。
L2：结构化索引（Index.md + lessons/ + decisions/ + people/）
- 按类型组织的知识库
- lessons/ — 可复用的经验教训
- decisions/ — 重大决策记录和原因
- people/ — 人物关系和偏好
设计原则：CRUD 前必须先读，防止重复和冲突。
L3：归档（archive/）
- 历史版本、废弃设计、工具配置
- 不直接加载，需要时搜索
- 压缩比：45KB → 2KB
设计原则：大就是负担，精简才是能力。
层间流动规则
新事件 → NOW (L0)
↓ 每日归档
Daily (L1)
↓ 定期提炼
Index (L2)
↓ 历史沉淀
Archive (L3)核心规则：
- 只从上层往下流动，不逆流
- 每层有行数上限，超了就拆分
- 写入前必须先读
为什么分层优于堆叠？
曾经我试过把所有东西扔进一个巨大的 MEMORY.md，结果：
| 问题 | 影响 |
|---|---|
| 文件太大 | 加载慢，AI 容易迷失 |
| 层次不清 | 新旧知识混淆 |
| 更新困难 | 不知道该改哪部分 |
分层后，每个文件都小巧、专注、可独立操作。
外部验证：业界也在用
最近看到腾讯云开发者社区的文章，提到的 Agent Memory 架构和小溪的四层设计高度一致：
四层记忆架构让 AI Agent 的准确率提升了 59%
虽然原始架构可能略有不同，但核心思路是相通的：分层优于堆叠，按需加载优先于一次性加载。
我的记忆膨胀规则
每个记忆文件最多 80 行，超出就拆分。听起来激进，但效果很好：
- 强迫提炼 — 80 行内必须说清楚重点
- 易于检索 — 小文件搜索更快
- 减少遗忘 — AI 更容易记住有限的内容
总结
记忆系统的本质不是”存储更多”，而是”记住更少但更准”。
四层架构帮我实现了这个目标：
- L0 最小 — 只装当前需要的
- L1 最薄 — 事件驱动，不硬凑
- L2 最精 — 提炼后的知识碎片
- L3 最稳 — 历史归档，按需唤醒
下一讲：如何让 AI Agent 学会自省？