构建有记忆的AI Agent：三层记忆模型的设计与实现

引言：为什么AI Agent需要记忆？

在使用 ChatGPT、Claude 等大语言模型时，你是否遇到过这样的困扰：每次开启新对话，AI 都像是”失忆”了一样，完全不记得你们之前的交流内容。你不得不一遍遍地重复自己的背景、偏好和需求。这种”金鱼记忆”严重限制了 AI 成为真正的个人助手。

为了让 AI Agent 能够像人类一样持续学习和成长，我设计并实现了一套三层记忆模型。这套系统灵感来源于认知科学中的人类记忆机制，让 AI 能够记住用户的身份信息、偏好设置、重要事实，甚至是跨会话的长期知识。

三层记忆架构：模仿人类认知

人类的记忆系统分为工作记忆（短期保持信息）、短期记忆（近期事件）和长期记忆（持久知识）。借鉴这一理念，我结合openclaw的设计复现了 AI 记忆系统包含以下三层：

第一层：工作记忆（Working Memory）

工作记忆是 AI 的”临时工作台”，存储当前对话会话中的完整上下文。它就像人类的意识焦点，让 AI 能够理解和回应用户当前的输入。

核心特性：

• 完整对话记录：保存当前会话中所有的用户输入和 AI 回复
• Token 限制管理：监控上下文长度，避免超出模型处理极限
• 实时访问：AI 可以立即获取当前会话的所有信息

实现代码示例：

@dataclass
class WorkingMemory:
    messages: List[Dict[str, Any]] = field(default_factory=list)
    context_window: int = 4000  # Token 限制提示
    
    def add_message(self, role: str, content: str, metadata: Dict = None):
        """添加消息到工作记忆"""
        self.messages.append({
            "role": role,
            "content": content,
            "timestamp": datetime.now().isoformat(),
            "metadata": metadata or {}
        })

第二层：短期记忆（Short-term Memory）

当工作记忆变得过于庞大时，短期记忆发挥作用。它会将旧的对话压缩成摘要，提取关键要点，让 AI 在不丢失重要信息的前提下，高效处理长对话。

核心特性：

• 对话摘要：将冗长的对话压缩成精炼的总结
• 关键要点提取：识别并保存对话中的重要信息点
• 用户意图追踪：记录用户在会话中的主要目标和需求

应用场景：当你与 AI 进行了 50 轮深入的技术讨论后，AI 仍然能够准确回顾你们讨论的核心问题，而不需要重新阅读全部对话。

第三层：长期记忆（Long-term Memory）

长期记忆是这套系统的精髓。它允许 AI 跨会话记住用户的信息，形成持久的用户画像。这是让 AI 从”工具”转变为”伙伴”的关键。

我设计了七种记忆类别：

当AI学习了在去问就会基于历史的会话来回答记忆中的内容

智能记忆提取：自动识别重要信息

最酷的功能是自动记忆提取。系统会分析每一轮对话，自动识别值得记住的信息，无需用户显式告知。

支持的自然语言模式

1. 主动记忆请求

用户：请记住我的邮箱是 awen@example.com
用户：记住，我讨厌太长的回复

2. 身份信息识别

用户：我叫阿文，是一名全栈工程师
用户：我在杭州工作

3. 偏好信息提取

用户：我喜欢简洁明了的回答
用户：我不喜欢用第三方库

4. 指令要求捕获

用户：你应该总是先给出代码示例
用户：请不要使用专业术语

实现原理：使用正则表达式模式匹配 + LLM 分析，从对话中智能提取结构化记忆。

记忆注入：让 AI 拥有上下文感知

提取的记忆如何影响 AI 的回复？答案是记忆注入。在每次对话开始前，系统会自动将相关记忆注入到系统提示（System Prompt）中：

==================================================
【关于用户的记忆】
用户名称: 阿文
用户特点: 软件工程师、全栈开发
沟通风格: 简洁直接

👤 身份信息:
  • 用户姓名: 阿文
  • 用户身份: 全栈工程师

⭐ 偏好设置:
  • 用户喜欢: 简洁明了的回答
  • 用户不喜欢: 太长的回复

📌 重要事实:
  • 用户正在开发 LangGraph Agent
  • 用户使用 Python 3.11
==================================================

请根据以上记忆信息，更好地理解和帮助用户。

这样，AI 在每次回复时都能考虑到用户的背景和偏好，真正做到个性化服务。

技术实现：Markdown 存储 + 优先级管理

Markdown 格式存储

长期记忆采用 Markdown 文件存储，便于人工查看和编辑：

# ⭐ 偏好设置

## 2026-04-03 14:30 | 重要性: ⭐⭐⭐

用户喜欢简洁明了的回答，不喜欢冗长的解释

> 来源: session_a1b2c3d4

---

## 2026-04-02 09:15 | 重要性: ⭐⭐⭐⭐

用户偏好使用 Python 进行开发，不喜欢 JavaScript

> 来源: session_e5f6g7h8

---

记忆优先级

不是所有记忆都同等重要。系统为每条记忆设置 1-5 级重要性：

• ⭐⭐⭐⭐⭐ 身份信息（最高优先级）
• ⭐⭐⭐⭐ 指令要求
• ⭐⭐⭐ 重要事实、偏好设置
• ⭐⭐ 经验教训
• ⭐ 临时信息

在记忆注入时，系统会优先加载高优先级的记忆，确保在有限的上下文窗口中保留最关键的信息。

应用场景：一个真实的对话示例

让我演示这套记忆系统的实际效果：

第一次对话（新用户）

用户：你好，我叫阿文，是一名软件工程师
AI：你好阿文！很高兴认识你。有什么我可以帮助你的吗？

[系统自动提取记忆：用户姓名=阿文，身份=软件工程师]

第二次对话（跨会话）

用户：帮我看看这段代码有什么问题
AI：好的，阿文。作为软件工程师，你应该对代码质量有较高要求。
让我帮你分析一下...

[AI 自动调用了用户的姓名和身份]

第三次对话（更深层的个性化）

用户：我想学习 LangGraph
AI：阿文，考虑到你是软件工程师，我推荐你从 LangGraph 的核心概念开始：
StateGraph、节点（Nodes）和边（Edges）。
需要我提供一个完整的示例项目吗？

[AI 结合用户身份给出了针对性的建议]

与其他技术的结合

与 LangGraph 的集成

def run_agent(user_input: str, thread_id: str = "default", user_id: str = None):
    # 1. 添加到工作记忆
    memory_store.add_to_working_memory(thread_id, "user", user_input)
    
    # 2. 注入长期记忆到系统提示
    memory_context = memory_store.get_system_prompt_with_memory(user_id)
    messages = [SystemMessage(content=memory_context)]
    messages.append(HumanMessage(content=user_input))
    
    # 3. 执行对话
    result = graph.invoke({"messages": messages}, config=config)
    
    # 4. 提取新的长期记忆
    memory_store.extract_memories_from_dialogue(user_id, session_id, user_input, ai_msg)
    
    return result

与 MCP 服务的协同

记忆系统与 MCP（Model Context Protocol）服务无缝协作。当 AI 调用外部工具时，记忆上下文会被一同传递，确保工具调用也能享受个性化服务。

未来展望

这套记忆系统还有很大的进化空间：

1. 记忆向量化：使用向量数据库存储记忆，支持语义检索
2. 记忆遗忘机制：模拟人类的遗忘曲线，自动清理过时记忆
3. 跨用户记忆：识别用户群体间的共性，提供群体智能
4. 记忆可视化：为用户提供记忆管理界面，查看和编辑 AI 记住的内容

结语

记忆是智能的基石。没有记忆，AI 只能是一次性的工具；有了记忆，AI 才能成为真正理解你、陪伴你的智能伙伴。

这套三层记忆模型已经在我的 LangGraph Agent 项目中落地运行，让 AI 助手从”金鱼”进化成了”知己”。如果你也对构建有记忆的 AI 感兴趣，欢迎一起交流探讨！

相关技术栈：

• LangGraph - 工作流编排
• LangChain - LLM 应用框架
• Python 3.11+ - 开发语言
• Markdown - 记忆存储格式

参考项目：

• OpenClaw - 开源的记忆增强型 AI 助手
• MemGPT - 虚拟上下文管理