为 AI 代理构建持久内存：四层基于文件的架构

Source: Dev.to

无状态 AI 代理的问题

如今大多数 AI 代理都是无状态运行的。当你开启一个新的聊天会话时：

• 之前的上下文会丢失
• 无法回忆过去的决策或行动
• 不能在不手动复制的情况下引用之前的工作
• 每次交互都显得孤立

这会在使用 AI 代理进行以下工作时产生摩擦：

• 多步骤问题求解
• 项目文档编写
• 知识积累
• 任务连续性

解决方案：四层文件式记忆架构

我的方案实现了一个层级化的文件式记忆系统，能够跨会话持久化。该架构由四个不同层次组成，每个层次在记忆层级中承担特定职责：

• 即时记忆（会话上下文）
• 短期记忆（近期交互）
• 长期记忆（持久知识）
• 反思记忆（元分析）

第 1 层：即时记忆（会话上下文）

即时记忆层存储当前对话的上下文。通常是本次会话中最近的 5‑10 条交流。

// example.json
{
  "session_id": "abc123",
  "timestamp": "2023-11-15T14:30:00Z",
  "context": [
    { "role": "user", "content": "Explain how neural networks work" },
    { "role": "assistant", "content": "Neural networks are..." },
    { "role": "user", "content": "Can you give a code example?" }
  ]
}

关键特性

• 易失性（会话结束后清除）
• 大小受限（为性能优化）
• 使用 JSON 格式，便于解析
• 包含会话 ID、时间戳等元数据

第 2 层：短期记忆（近期交互）

该层保存过去 24‑48 小时的交互记录，为恢复工作提供连续性。

short_term/
├── 2023-11-15/
│   ├── morning_session.json
│   ├── afternoon_session.json
├── 2023-11-14/
│   └── project_work.json

实现细节

• 按日期在子目录中组织
• 每个文件代表一次完整的会话
• 自动在 48 小时后归档
• 用于在恢复工作时的“续写”提示

第 3 层：长期记忆（持久知识）

记忆系统的核心是长期存储层。它包含：

• 项目文档
• 关键决策
• 重要概念
• 参考资料

long_term/
├── projects/
│   ├── ai_memory_system/
│   │   ├── design.md
│   │   ├── implementation.md
│   ├── web_app/
│   │   └── requirements.md
├── concepts/
│   ├── neural_networks.md
│   ├── llm_finetuning.md
├── decisions/
│   └── architecture/

第 4 层：反思记忆（元分析）

提供的内容中未包含此层的详细信息。