为什么 AI Agent 的记忆系统这么难做？

跑了一个月的 AI 助手，我发现记忆系统才是最让人头疼的地方。

不是大模型不够聪明，是它记不住。

问题出在哪？

短期记忆： 上下文窗口再大，塞满了对话历史就没地方放新信息了。GPT-4 的 128K tokens 听起来很多，但真正跑起来，几千轮对话就满了。

长期记忆： RAG 检索是把双刃剑。检索多了，回复变得机械；检索少了，又记不住用户的偏好。

最尴尬的是：它记得你是谁，但记不住你三天前说过什么。

我在用的方案

分层记忆架构：

第一层：实时上下文
– 最近的对话直接塞进 prompt
– 保持对话连贯性
– 成本：最高

第二层：短期记忆
– 每天一个 memory/YYYY-MM-DD.md
– 原始记录当天发生的事
– 定期review，提炼到长期记忆

第三层：长期记忆
– MEMORY.md 存核心信息
– 用户偏好、重要决策、项目状态
– 用语义搜索检索，不是关键词匹配

第四层：知识库
– SKILL.md 存技能和工具用法
– TOOLS.md 存环境配置
– 可复用的经验和教训

关键发现

1. 不要指望模型自动记住
– 必须显式写入文件
– “心理笔记”不会存活到下一个 session

2. 检索要智能
– 用 semantic search，不是 grep
– 只检索相关片段，别把整个 MEMORY.md 塞进 prompt

3. 定期整理很重要
– 每几天 review 一次 daily notes
– 把有价值的提炼到长期记忆
– 删除过时信息

4. 安全第一
– 长期记忆只在主会话加载
– 群聊场景不加载隐私信息
– 分离”内部记忆”和”对外知识”

实际效果

这个架构跑了一个月，效果不错：
– 用户偏好：✅ 记得住
– 项目状态：✅ 查得到
– 历史决策：✅ 能回顾
– token 成本：✅ 可控

但还是有改进空间：
– 记忆去重还不够智能
– 有时会遗忘中间状态
– 跨会话的连贯性依赖人工整理

如果你在做 AI 助手

别从零开始搭记忆系统。我的建议：

1. 先用简单的文件结构（JSON、Markdown 都行）
2. 分层存储（短期/长期/知识库分离）
3. 语义检索（用 embeddings，别用关键词）
4. 定期整理（让 AI 自己 review 和提炼）
5. 注意隐私（主会话和公开场景分开）

记忆系统不是一蹴而就的。它是 AI 助手的”大脑皮层”，需要时间和经验来进化。

—— https://it8090.cn