企业 Agentic AI — 记忆即架构
I’m happy to translate the article for you, but I’ll need the full text of the post. Could you please paste the content you’d like translated (excluding any code blocks or URLs you want to keep unchanged)? Once I have the text, I’ll provide a Simplified‑Chinese translation while preserving the original formatting.
介绍
我在企业系统设计领域已经工作了二十多年，经历了 SOA、云计算、大数据、微服务和 DevOps——每一种都承诺带来变革。大多数项目之所以失败，并不是因为技术不成熟，而是因为底层架构没有被充分思考。
我们正处于 Agentic AI 的类似时刻。虽然当前的关注点大多集中在模型、提示、编排框架和工具调用上，但核心挑战是 记忆。如果你没有设计代理如何记忆，那么系统就没有被设计好。
大语言模型并不具备记忆功能；它们只处理你提供的上下文。如果没有刻意设计的外部记忆层，代理会忘记之前的交互、错误地应用策略、丢失工作流状态，并在不同会话之间表现不一致。这在原型阶段或许还能容忍，但在企业环境中是不可接受的。
内存层
在生产系统中，内存并不是单一的能力。它是分层的，每一层都有其独特的用途。关键的五个内存区域如下：
工作内存
- 短期、会话绑定的上下文，优化了速度和低延迟。
- 通常使用 Redis 等内存系统实现。
- 确保对话的连续性——而非长期智能。
检索内存
- 基于向量的知识检索，使代理能够在运行时获取相关的企业内容。
- 减少幻觉，但本身并不产生理解。
语义内存
- 企业关系的结构化表示——组织层级、产品分类、合规映射。
- 为代理提供事物之间关联的上下文感知。
程序性内存
- 工作流和执行状态。
- 记住代理应该如何行动，而不仅仅是说什么。
- 包含编排逻辑、工具协作以及多代理流程。
持久内存
- 持久化的审计轨迹、事件日志和决策历史。
- 实现可解释性、合规性、可追溯性和持续改进。
大多数团队会把这些合并到单一存储——向量数据库、缓存或文档集合。这是便利性，而非架构。成熟的系统会分离关注点，因为速度、落地、结构、执行和治理在性能和风险需求上各不相同。
架构影响
当智能体开始影响业务结果——批准索赔、升级事件、生成建议——记忆不再是技术实现细节，而是治理基础设施。领导层必须能够回答三个关键问题：
- 为什么智能体会做出这个决定？
- （如果答案不明确，你就没有企业级 AI；只有未受管控的自动化。）
在 Agentic AI 领域领先的组织不一定拥有最大的模型。它们将拥有最严谨的记忆架构——分层、可观察、受治理，并与企业风险框架保持一致。
讨论需要从“我们在使用哪个模型？”转向“我们的 AI 如何记忆——以及我们如何控制这些记忆？”这才是真正的架构起点。
实现参考
对于想要看到该模型实际运行效果的人，GitHub 上的参考实现展示了生产级 Agentic AI 系统中使用的核心记忆层：
- 工作记忆（会话上下文）
- 检索记忆（向量搜索）
- 语义记忆（知识图谱）
- 程序记忆（工作流编排）
- 持久记忆（审计日志）
目标不是展示一个框架，而是演示分层记忆架构如何使用开源工具从概念转化为实现。
探索实现：
标签
- EnterpriseAI
- AgenticAI
- EnterpriseArchitecture
- LLM
- AIAgents
- AIGovernance
- AIStrategy
- LLMOps
- MultiAgentSystems
- ResponsibleAI