1. 智能体与记忆：为什么智能体需要记忆？
先问一个问题：一个没有记忆的智能体，能有多聪明？
答案很简单——它每次都得从头开始。就像你每次跟人聊天，对方都像第一次见你一样，问「你叫什么名字」。这种体验，说实话挺糟糕的。
我刚开始做对话系统时，就踩过这个坑。当时做了一个客服机器人，用户问完「我的订单号是12345」，下一句问「这个订单到哪了」，机器人直接懵了。它不记得刚才的订单号。用户气得骂它「人工智障」。
嗯，这就是没有记忆的代价。
为什么智能体需要记忆？
智能体的核心任务是感知环境 → 做出决策 → 执行动作。但如果没有记忆，这个循环就断了。
- 上下文连贯：多轮对话、连续任务，都需要记住前面说了什么
- 经验积累：从过去的错误中学习，避免重复踩坑
- 个性化服务：记住用户的偏好，而不是每次都问一遍
- 长期规划：能记住目标，一步步推进，而不是东一榔头西一棒子
核心观点：没有记忆的智能体，本质上是一个「无状态函数」——同样的输入，永远输出同样的结果。但现实世界不是纯函数，它需要状态。
记忆的分类
说到记忆分类，我习惯参考认知科学里的框架。人类记忆不是铁板一块，而是分成了几个系统。智能体也一样，不同场景需要不同类型的记忆。
下面这张图是我自己整理的分类结构，你可以先看个全貌：
工作记忆：智能体的「草稿纸」
工作记忆，说白了就是智能体正在「想」的东西。它容量小，但速度快。
在对话场景里，工作记忆就是当前轮次的上下文。比如用户说「帮我查一下北京的天气」，然后又说「那上海呢？」——工作记忆里得记住「查天气」这个意图，才能理解第二句是在问上海的天气。
实战经验：我习惯把工作记忆设计成一个固定大小的滑动窗口。比如保留最近 5 轮对话。太少了接不上上下文，太多了又浪费 token。5 轮是我试下来性价比比较高的值。
工作记忆的几个关键特征：
- 容量有限：一般只保留当前任务相关的信息
- 自动刷新：新信息进来，旧信息被挤出
- 高访问速度：直接存在内存里，不用查数据库
长期记忆：智能体的「硬盘」
长期记忆就不一样了。它容量大，但读写慢。不过它能存很久，甚至永久保存。
长期记忆又分两种：情景记忆和语义记忆。
情景记忆：记得「发生了什么」
情景记忆记录的是具体的事件。比如「昨天上午 10 点，用户张三查询了订单 12345 的状态」。它有时间戳、有具体细节。
我在做一个推荐系统时，就用情景记忆来记录用户的浏览历史。用户看了哪些商品、停留了多久、最后买了什么——这些事件串起来，就能分析出用户的购物习惯。
注意：情景记忆如果存太多，存储成本会很高。我见过有人把所有用户交互日志都存下来，结果数据库膨胀到几百 GB。后来我们加了「遗忘机制」——超过 30 天的事件自动归档或压缩。
语义记忆：记得「是什么」
语义记忆存的是事实和概念，不依赖具体场景。比如「北京是中国的首都」、「HTTP 状态码 404 表示资源未找到」。这些知识是通用的，跟谁问的、什么时候问的没关系。
语义记忆通常来自两个渠道：
- 预训练知识：大模型本身在训练时学到的知识
- 外部知识库：比如公司内部的 API 文档、产品手册
我个人习惯把语义记忆做成向量数据库。把知识转成向量存进去，需要时做相似度检索。这样既快又灵活。
四种记忆的对比
为了方便你理解，我把它们的区别整理成了一张表：
| 记忆类型 | 容量 | 持久性 | 访问速度 | 典型用途 |
|---|---|---|---|---|
| 工作记忆 | 小（几轮对话） | 短（秒级） | 极快 | 对话上下文、当前任务状态 |
| 情景记忆 | 大（可扩展） | 中（天/周级） | 中等 | 用户行为记录、事件日志 |
| 语义记忆 | 极大（知识库） | 长（永久） | 慢（需检索） | 事实知识、规则、API 文档 |
一个简单的记忆实现示例
光说不练假把式。下面是我在项目里用过的一个简化版记忆管理器，用 Python 写的：
class AgentMemory:
def __init__(self):
self.working_memory = [] # 工作记忆：列表，最多保留5条
self.episodic_memory = [] # 情景记忆：事件列表
self.semantic_memory = {} # 语义记忆：键值对存储
def update_working_memory(self, item, max_size=5):
"""更新工作记忆，超出容量则丢弃最旧的"""
self.working_memory.append(item)
if len(self.working_memory) > max_size:
self.working_memory.pop(0)
def store_episode(self, event):
"""存储一个情景事件"""
self.episodic_memory.append({
'timestamp': time.time(),
'event': event
})
def store_fact(self, key, value):
"""存储一个语义事实"""
self.semantic_memory[key] = value
def recall_working(self):
"""获取当前工作记忆"""
return self.working_memory
def recall_episodic(self, query=None):
"""检索情景记忆（简化版：直接返回最近10条）"""
return self.episodic_memory[-10:]
def recall_semantic(self, key):
"""检索语义记忆"""
return self.semantic_memory.get(key, None)避坑指南：我曾经在生产环境里直接用这个简化版，结果工作记忆的列表没有做深拷贝，导致多个请求共享了同一个列表。用户 A 的上下文污染了用户 B 的对话。后来我改成每个会话实例化一个独立的记忆管理器，问题才解决。
小结
这一章我们聊了智能体为什么需要记忆，以及记忆的四种分类。说白了，工作记忆管「当下」，情景记忆管「过去发生了什么」，语义记忆管「世界是什么样的」。三者配合，智能体才能像个「人」一样思考。