掌握 AI 代理记忆：面向高级用户的架构

Source: Dev.to

为什么记忆对 AI 代理很重要

没有记忆的 AI 代理就像失忆的人——它们无法从过去的交互中学习，无法适应新信息，也无法随时间保持上下文。对于高级用户来说，这意味着：

• 上下文保留 – 记住过去的交互以保持连续性。
• 经验学习 – 存储并检索相关数据，以改进未来的响应。
• 个性化 – 随着时间的推移适应用户的偏好和行为。

AI 代理记忆的核心组件

一个生产级的记忆架构通常由三层组成：

• 短期记忆 – 当前会话的活动上下文。
• 长期记忆 – 用于存放知识和经验的持久存储。
• 工作记忆 – 连接短期和长期记忆的混合层。

短期记忆：活动上下文

短期记忆保存当前的对话或任务上下文。它是易失的——会在会话结束时被清除，并且针对快速访问进行优化。

class ShortTermMemory:
    def __init__(self):
        self.context = []

    def add(self, message):
        self.context.append(message)
        if len(self.context) > 10:  # Limit context window
            self.context.pop(0)

    def get(self):
        return self.context

关键考虑因素

• 上下文窗口大小 – 窗口太大性能受影响；窗口太小则会失去连续性。
• 相关性过滤 – 并非所有过去的消息都同等重要。使用嵌入向量对相关性进行排序。

长期记忆：知识库

长期记忆存储持久化数据，如用户偏好、过去的决策以及学习到的模式。这是 AI 从经验中“学习”的地方。

文件结构示例

memory/
├── user_preferences.json
├── interaction_history/
│   ├── 2023-10-01.json
│   ├── 2023-10-02.json
│   └── ...
└── knowledge_graph/
    ├── entities/
    │   ├── projects/
    │   └── contacts/
    └── relationships.json

实现示例（JSON）

{
  "user_preferences": {
    "default_model": "gpt-4",
    "workflow_preferences": {
      "code_review": {
        "strictness": "high",
        "focus_areas": ["security", "performance"]
      }
    }
  },
  "interaction_history": [
    {
      "timestamp": "2023-10-01T12:00:00",
      "user_id": "user123",
      "session_id": "session456",
      "messages": [...]
    }
  ]
}

工作记忆：桥梁

工作记忆会动态地从长期记忆中提取相关数据并放入活动上下文。它是最复杂但也最强大的组件。

(为简洁起见，省略了进一步的实现细节。)