Agent 的记忆机制如何设计？短期 vs 长期？

题目

智能体的记忆机制该如何设计？请说明短期记忆与长期记忆的实现方式与取舍。

参考答案

记忆让 Agent 跨步骤、跨会话保持状态，是”可记忆”的关键。通常分两层：

短期记忆（Working Memory）

• 载体：当前上下文窗口（对话历史 + 已执行步骤 + 工具返回）。
• 实现：把近 N 轮交互或最近动作拼进 Prompt。
• 挑战：上下文窗口有限，长任务会”撑爆”。
• 优化：
  • 滑动窗口（只保留最近 K 轮）
  • 摘要压缩（LLM 把旧历史压缩成摘要）
  • 结构化状态（只存关键字段而非全文）

长期记忆（Long-Term Memory）

• 载体：外部存储（向量数据库、KV 存储、知识图谱）。
• 实现：把重要事实/偏好/过往经验向量化存库，新任务时检索召回。
• 典型形态：
  • 语义记忆：事实知识（“用户偏好 Python”）
  • 情景记忆：过往具体经历（“上次执行该任务踩过 X 坑”）
  • 程序记忆：技能/流程（如何调用某工具链）
• 写入策略：显式写入（LLM 判断重要就存）或后台异步总结。

取舍：

维度	短期记忆	长期记忆
速度	快（直接在 Prompt）	慢（需检索）
容量	小（受窗口限）	大（外部库）
跨会话	否	是
一致性	强	需去重/更新

面试加分点：能点出”记忆不是越多越好”——无关记忆召回会污染上下文、误导推理；好的记忆系统需具备写入判断、检索相关性、过期淘汰三能力。LangGraph 的 checkpointer 与 store 正是工程化这两层记忆的典型。

出处：LangGraph / Agent 岗位 JD（BOSS 直聘《AI 大模型应用工程师 Agent 方向》）、Agent 面经。