type
Post
status
Published
date
May 8, 2026
slug
13-agent-memory
summary
单纯依赖向量数据库做 Agent Memory 存在精确调用缺失和时间状态盲区两大致命缺陷。本文拆解 ChatGPT 的四层分层记忆架构（环境数据、结构化档案卡、近期摘要、滑动窗口），并提炼生产级系统三件套：Ledger 只追加账本、Views 加工视图、Policy 管控策略，同时引入双时态和不可删概念，帮助开发者构建真正可追溯、可控制的 Agent 记忆系统。
tags
工具
AI
category
技术分享
icon
password
Tweet Link
Staus
In progress
类型
平台
很多人聊 Agent Memory，第一反应是：
- 把历史对话全塞进向量数据库
- 用户一问问题就做一次向量检索
- 把检索结果拼进 prompt 喂给大模型
这套在 Demo 里能跑，但一旦进入真实业务，很容易出现“啰嗦、不可控、逻辑混乱、还难排错”。这篇文章按视频的思路，把「生产级 Agent Memory」的关键坑点、行业标杆分层方案，以及真正工程化的三件套与两个高阶约束，一次讲清楚。
1. 只靠向量数据库做记忆：两个致命缺陷
缺陷一：模糊匹配 vs 精确调用的冲突
业务里很多关键信息，需要的是确定性，而不是“差不多”。
举个视频里的例子：做一个“买车 Agent”。聊了半天车型、贷款方案，业务下一步只想确认一个字段：
- 用户最终预算是多少？
如果你用向量检索，系统会从历史里捞出一堆“包含预算关键词”的长篇对话，大模型还得再读一遍、再猜一遍。
但生产级系统更应该是：
- 有一个结构化字段
user_budget
- 需要时直接查字段，一次命中、100%确定
这类确定性，才是真正能上线的“工程可靠性”。
缺陷二：时间状态的系统性困境（时间盲区）
还是买车例子：
- 昨天用户说预算 5 万
- 今天发奖金，预算变成 8 万
纯向量库像一个大纸箱：你把两张纸条都扔进去，下一次要取预算时，系统可能把两条都捞出来。
大模型往往分不清：
- 哪个是最新真相？
- 哪个已经过期？
正确做法是：状态覆写。
- 预算是“动态状态”
- 新数据进来就覆盖旧数据
- 系统永远只保留“当前唯一真相”
这在工程上常被称为：Single Source of Truth（单一事实来源）。
2. 行业标杆怎么做：ChatGPT 的“极其克制”的四层记忆
视频强调：你会发现一个反直觉点——在这套稳定高效的记忆系统里，向量数据库甚至不一定出场。
核心方法两个字：分层。
Layer 1：环境/上下文数据（不算长期记忆）
这层是当前环境信息：设备类型、位置、时区等。
特点：
- 当下需要
- 用完即丢
- 不进入长期记忆
类比：出门前看天气预报——只用来决定“带不带伞”，不需要背下来。
Layer 2：用户结构化档案卡（结构化状态）
这层专门解决“精确读取 + 状态更新”的需求。
形式通常是：表格/JSON。
例子：
- 职业
- 喜好（比如“是否喜欢香菜”）
- 预算（
user_budget）
原则：
- 必须可覆写
- 必须精确读取
- 绝不允许模棱两可
Layer 3：近期对话摘要（轻量主题清单）
面对大量闲聊，系统不存“每一句废话”，而是后台把近期聊过的内容压缩成一份轻量摘要。
类比：电视剧每集开头的“前情提要”。
它的目标是：
- 让 Agent 能把话接上
- 不需要翻全部原始对话
Layer 4：对话滑动窗口（短期上下文）
也就是 LLM 直接看到的最近几轮对话。
超过 token 上限怎么办？
- 最老的内容直接丢弃
3. 走向“主动思考”的 Agentic Memory：先把观念扭过来
视频里讲了三个关键命题（可以当作写代码前的三条原则）。
命题 1：Memory 的价值不在“存多少”，而在“能否转化为决策证据”
把 Memory 当“外接硬盘”是常见误区：
- 不是为了让大模型“背下公司十年文件”
- 而是要能在具体任务里，从历史中提取出对当前决策最有用的证据
核心在于：
- 历史数据 → 当前决策
这条通道是否顺畅。
命题 2：生产级系统三件套：Ledger / Views / Policy
要让系统能排错、能控制、能长期运行，视频给出一套非常工程化的骨架：
#### 2.1 Ledger（账本 / 只追加不可修改）
像银行流水：
- 只能追加
- 绝不能改
目的：
- 出了 bug / 幻觉，能像“飞行记录仪”一样回溯排错
#### 2.2 Views（派生视图 / 给大模型看的加工结果）
账本原始数据通常“太碎、太多”，模型直接看会看不懂/看不过来。
所以要做 Views：
- 把底层数据加工成模型友好的结构
- 比如：知识图谱、时间线用户小传、结构化摘要
#### 2.3 Policy（控制策略 / 系统的大脑）
最关键的一层：决定系统什么时候该做什么。
- 什么时候查资料
- 什么时候写入记忆
- 什么时候遗忘无用信息
没有 Policy，系统很快会变成“数据垃圾场”。
命题 3：给 Agent 建立“显式的慢思考回路”
LLM 天然更像 System 1（直觉系统）：
- 你问，它就顺着生成
- 快，但容易瞎猜
真正的 Agentic Memory 要做的是：
- 遇到复杂问题先停一下
- 触发 System 2（慢思考）
- 主动去“读记忆/找证据”，再决定怎么回答
可以把它理解成：给大模型装了一个“外置机械臂”，让它能主动操作记忆工具，而不是只会生成文本。
4. 两个真实业务里特别要命的高阶概念
4.1 时间约束：双时态（Two temporalities）
很多系统里你不能简单覆写/删除旧事实。
例子：
- 张三曾是 A 公司总监
- 半年后跳槽到 B 公司
你不能直接把“A公司”删掉，因为用户可能会问：
- “张三去年在哪家公司？”
解决方法：双时态：每条记忆带两个时间戳。
- 现实生效时间：这条事实在现实世界何时成立
- 写入时间：这条记录何时被系统写入
查询时通过“时间切片”的硬约束，明确告诉模型：
- 这是张三现在的状态
- 这是张三过去的状态
避免时间线混乱导致的幻觉。
4.2 程序性记忆：不仅记住“是什么”，更要记住“怎么做”
传统 RAG 主要是陈述性事实：
- 北京是首都
- 某流程怎么走
但更高级的记忆系统，要沉淀的是“成功的做事路径”。
视频里的例子：Agent 修一个 bug，折腾三四轮终于修好。
普通记忆：
- 下次遇到同样 bug 还会重走痛苦流程
程序性记忆的目标：
- 把真正成功的交互轨迹“漏斗压缩”
- 过滤掉中间无用废话
- 固化成可执行的 skill（像“一键指令/标准操作流程”）
业务意义：
- Agent 越用越聪明
- 把经验沉淀成流程资产
5. 一句话总结
生产级 Agent Memory 不是“买个向量库 + 拼几句 prompt”就能搞定。
它更像一套系统工程：
- 明确业务属性（结构化、可覆写、可控）
- 模糊对话上下文（摘要、滑窗、必要时再检索）
- Ledger / Views / Policy 三件套保证可追溯与可治理
- 双时态解决时间线
- 程序性记忆把成功路径固化成技能
参考资料：B站《13分钟手把手，带你构建生产级Agent Memory的系统架构！》（BV1n49UBBEwN）
- 作者:可夫小子
- 链接:https://koffuxu.com/article/13-agent-memory
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章
