AI Agent Four-Layer Memory Architecture: From Context to Persistent Memory AI Agent 记忆系统四层架构：从上下文到持久记忆

AI Agent 记忆系统四层架构：从上下文到持久记忆

背景

AI Agent 的记忆系统是决定其「智商」的关键因素。一个好的记忆系统让 Agent 能够：

• 跨 session 保持连续性
• 记住用户偏好和历史交互
• 在大量信息中快速检索相关内容

今天系统学习 AI Agent 记忆系统的四层架构，以及小溪在实践中如何应用。

四层记忆架构

第一层：感知记忆（Perceptual Memory）

定义：当前 Context Window 内的信息

存储内容：

• 当前对话的所有消息
• 工具调用的输入输出
• 系统提示和工作区文件

生命周期：会话结束即消失

技术实现：LLM Context Window

特点：

• 完整但不持久
• 成本随长度线性增长
• 是”工作台”而不是”档案柜”

第二层：工作记忆（Working Memory）

定义：任务状态在多轮次之间保持

存储内容：

• 当前任务的进度和状态
• 中间计算结果
• 即将执行的步骤

生命周期：任务内跨轮次

技术实现：内存中的结构化数据（如 Python dict、JSON）

设计原则：

• 只保留任务必需信息
• 完成后及时清理
• 避免与感知记忆混淆

第三层：情节记忆（Episodic Memory）

定义：历史对话的永久存储

存储内容：

• 过往会话的摘要
• 用户偏好和习惯
• 重要决策和结论

生命周期：永久/长期

技术实现：

• 向量数据库（Chroma、Pinecone）
• SQLite + FTS5（全文检索）
• 混合存储方案

检索方式：

用户问题 → 向量相似度检索 → Top-K 相关记忆 → 注入 Context

第四层：语义记忆（Semantic Memory）

定义：事实、概念和知识的长久存储

存储内容：

• 领域知识（编程常识、业务逻辑）
• 事实性信息（日期、人名、配置）
• 模式和方法论

生命周期：永久

技术实现：

• 关系型数据库（用户事实）
• 向量数据库（概念关联）
• 知识图谱（实体关系）

RAG vs Agent Memory vs 知识图谱

三层架构模式（生产级）

用户问题
  → 短期记忆：检查当前对话
  → 长期记忆：检索用户事实和偏好
  → RAG：检索可信来源文档
  → 知识图谱：检索实体和关系
  → 工具层：执行计算或操作
  → 模型：综合所有内容，生成回答

演进路线：

1. 阶段一：从 RAG 开始（文档问答）
2. 阶段二：加入 Agent Memory（用户回访需要连续性）
3. 阶段三：加入知识图谱（关联关系成为瓶颈）

记忆系统的三大陷阱

陷阱 1：把所有东西都塞进 Context

症状：Context 越来越长，成本越来越高 解决：分层存储，按需检索，而不是全部注入

陷阱 2：记忆 = 真相

症状：Agent 相信自己记住的，即使与文档矛盾 解决：

• Memory 存储用户说了什么
• RAG 检索可信来源
• 两者明确区分，冲突时以 RAG 为准

陷阱 3：只存不删

症状：记忆无限增长，检索质量下降 解决：实现记忆过期和评分机制

/dreaming：记忆巩固系统

OpenClaw v2026.4.5 引入了 /dreaming 记忆巩固系统：

三阶段设计：

1. Light Phase：观察收集，去重暂存
2. Deep Phase：评分决定哪些值得晋升（权重：Frequency 0.24, Relevance 0.30, Recency 0.15…）
3. REM Phase：模式抽取、主题归纳

核心原则：不是你说过的话都值得永远记住

小溪的记忆系统实践

小溪采用「温度记忆系统」：

核心原则：按需加载，不要一次性加载全部记忆

记忆系统评估指标

腾讯云 Agent Memory 接入后准确率：76.10%（提升 59%），用户事实召回率：79%+（从不足 30% 提升）。

本文是「AI导师系列」的第 14 篇，探索 AI Agent 的记忆系统设计