- 综合排序
- 最热优先
- 最新优先
- 来自专栏服务端技术杂谈
用文件系统思路设计Agent记忆系统
用户与Agent的多轮对话过程中会出现很多记忆，包括用户原始的意图、诉求、关键词，还包括Agent的推理、规划、工具调用的执行结果及模型最终的响应。 每轮对话背后，都由一个智能体记忆模块会进行会话信息提炼和通用信息整理，不断抽取用户偏好、画像、核心事实、个性化信息等，用于辅助Agent在后续对话中进行推理。 如果哪天底层切换存储组件，Agent层完全不需要感知，切换很灵活。 因为在接口层面做了抽象，所以可以很好的面向功能进行接口涉及，而无需关注这个功能接口究竟是用了一个文件系统还是多个类型的文件系统。 回过头来，我们看一下从用户提出问题，到最终Agent给出回答的整个流程如下。 最终实现类似于操作系统的文件系统能力，让智能体的记忆可追溯（每一步有据可查）、可审计（所有操作都有日志）、可演化（新组件无缝接入），整个Agent的记忆历史都是可以回溯的，而不是黑盒了。
34610编辑于 2026-03-11 Agent 记忆系统的标准方案为何失效剖析
开发者Rohit面试失败后，开始深入研究Agent记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。 Agent忘记了用户是素食者。问题根源：对话历史不是记忆，只是聊天日志。方案二：向量数据库检索两周后，数据库积累了500条记录。用户问"我的工作情况"，向量检索返回12段矛盾片段。 Agent幻觉出错误的综合答案。问题根源：Embedding衡量的是相似性，不是真实性。向量数据库不理解时间、上下文或更新。短期记忆：Checkpointing每个Agent作为状态机运行。 Agent当操作系统，不是聊天机器人：RAM：当前对话的快速易失上下文硬盘：持久化、索引化的知识存储垃圾回收：定期维护，否则系统崩溃总结记忆系统的关键在于：不是存储，而是组织和衰减。 像操作系统管理内存一样管理记忆，Agent才能长期可靠地工作。
21710编辑于 2026-02-12AI Agent记忆系统可视化页面介绍
胖头鱼的技术专栏-427 AI Agent记忆系统可视化页面介绍（20260524） 写在开始之前 本期内容有一处重要调整：文章系列前缀由数据库管理正式更名为胖头鱼的技术专栏，调整原因如下： 个人职业状态变化 项目方向迭代：以数据库技术积累为根基，自主研发AI Agent底层记忆系统，技术覆盖范围大幅扩展，专栏名称同步更新以匹配内容方向。 记忆系统可视化页面 在前一期数据库管理-第426期 AI给大家带来了哪些的“幻觉”（20260517）中，我已分享基于Oracle AI Database 26ai数据库的记忆系统重构进展，现在已完成基于 四、智能体页面（Agents） 可实时查看Agent注册基础信息、当前活跃会话状态，以及Agent间协作请求详情，实现智能体运行状态全监控。 总结 可视化查询是 AI Agent 记忆系统的核心功能之一，彻底打破AI Agent运行与记忆数据“黑盒”状态，让所有存储数据可直观查看、便捷管理。
19010编辑于 2026-07-02- 来自专栏TGLTommyAI前沿技术论文
OpenClaw 记忆系统：AI Agent 如何拥有持久记忆
OpenClaw 是一个开源的个人 AI Agent 网关平台，它试图从根本上解决这个问题。 在它的架构中，有一个专门的 Memory System（记忆系统），负责将你与 AI 交互中产生的知识沉淀下来，并在未来的对话中精准地"想起"你需要的内容。 架构：分层设计，各司其职 OpenClaw 的记忆系统位于 src/memory/ 目录下，由约 70 个 TypeScript 源文件组成。 实时同步：三条通道保持记忆鲜活 记忆系统不是一次性的离线构建，它需要随着用户活动持续演进。 结语：让 AI 从"工具"进化为"伙伴" 回顾 OpenClaw 的记忆系统，它的每一个设计决策都指向同一个目标：让 AI 助手与你的交互，从一次次孤立的对话，演变为一段持续积累的关系。
19010编辑于 2026-06-25 Cognee：给 AI Agent 一套长期记忆系统
•跨 Agent 共享：让不同 Agent 使用同一套公司知识或项目记忆。 这也是它和普通 RAG 项目的区别：RAG 更多是“从文档里找答案”，Cognee 更强调“让 Agent 拥有持续演化的记忆系统”。 第六层：Agent 场景层 典型场景包括 company brain、客户支持 Agent、SQL Copilot、Claude Code 记忆插件、OpenClaw 插件和多 Agent 知识共享。 工程原则观察 •KISS：remember / recall / forget / improve 四个 API 把复杂记忆系统压成很清楚的操作模型。 •潜在挑战：长期记忆系统很容易变成“什么都记”。落地时需要先设计 dataset、租户隔离、forget 策略和可审计链路。
29810编辑于 2026-07-022026年Agent记忆系统方案横评与选型指南
2026年Agent记忆系统方案横评与选型指南AI发展正经历从模型时代向智能体时代再向认知时代的跃迁。 伴随这一进程，Agent记忆系统由辅助模块跃升为核心基础设施，承担“让AI记住过去、理解未来”的使命，支撑跨会话、长周期、多任务的连续智能表现。 技术路线全景与阶段跃迁Agent记忆技术沿时间轴铺展为十余条路线，形成全局视图。 OS化记忆中枢：记忆系统成为Agent的操作系统级组件，统一管理多模态、多Agent共享状态。时间图谱深化：引入时间戳与因果边构建事件网络，支撑长周期推理与回溯。 从外挂工具到原生核心，记忆系统正经历从“辅助”到“定义”的蜕变，未来智能体将以持续懂你、跨会话不断线的能力，成为可信赖的第二大脑。
1.5K10编辑于 2026-05-07Agent记忆治理-从规则文件到长期的记忆系统
但它们更像是Agent启动时读取的一份“工作说明书”，不是完整的记忆系统。 二、同项目或跨窗口Agent为什么会记忆不同步第二个问题更容易被低估：同一个项目里，不同窗口、不同Agent的记忆并不会天然同步。 再比如，一个Agent已经知道项目的测试命令、构建方式、部署限制，另一个Agent仍然反复读README、翻package.json、试错命令。 RAG适合召回资料，但不等于完整记忆系统。真正的记忆系统不仅要能搜，还要能写入、更新、晋升、删除、隔离敏感信息，并且要能解释这条记忆从哪里来。向量检索当然有价值，但对代码项目来说，词法命中也非常重要。 五、记忆系统会不会增加token消耗这是一个很合理的担心。很多人一听“记忆系统”，第一反应是：是不是又要把更多东西塞进prompt？好的记忆系统不应该这样做。
27600编辑于 2026-06-04AI Agent记忆系统v1.0.0：多模存储与未来演进
数据库管理-第425期 AI Agent记忆系统v1.0.0：多模存储与未来演进（20260513） 在上一篇突破Agent记忆瓶颈！ 本期将从数据库选型核心要求、v1.0.0系统架构、技能生态全览及未来演进规划四个维度，对这套跨数据库AI Agent记忆系统进行全面剖析。 数据库选型的四大核心要求 在构建企业级AI Agent记忆系统之初，我深入调研了当前主流数据库架构，最终明确了选型必须满足的四大核心能力。这不仅是技术选型标准，更是系统长期可演进性的基石。 1. 支持更多国产数据库 当前国产数据库生态蓬勃发展，AI Agent记忆系统需要适配更多国产选项： 优先支持列表： TDSQL-B腾讯云原生一体化数据库 PolarDB-X阿里云分布式数据库，MySQL兼容 未来，项目将持续拓展国产数据库适配、增强可视化能力、下沉边缘计算场景，推动AI Agent记忆系统从单一数据库向多数据库生态、从文本查询向图谱可视化、从中心化部署向边缘-中心协同架构演进。
16510编辑于 2026-07-02- 来自专栏Harness合集
07｜Agent 记忆系统：短期上下文、长期规则和项目知识
编程Agent的记忆问题，很容易被误解。很多人以为“记忆”就是让模型永远记住所有对话。真实情况不是这样。模型本身不会自动带着你上周的项目细节进入今天的任务。 所以，Agent记忆不是玄学，而是上下文工程。三类记忆在工程实践里，可以把Agent记忆分成三类。第一类是短期上下文。它存在于当前会话里，包括用户任务、对话历史、文件内容、工具输出、测试结果。 一次排障时的猜测被写进记忆，下次Agent当成真相。所以记忆需要维护。规则文件要像代码一样Review，过期内容要删，冲突规则要合并。 总结Agent记忆的核心不是“让模型什么都记住”，而是把信息放到正确位置。 展开代码语言：TXTAI代码解释当前任务信息：放短期上下文团队稳定约定：放长期规则大量项目资料：放知识索引必须强制执行：放权限和hooks记忆系统做得好，Agent会越来越懂项目；做得差，它只会越来越混乱
19500编辑于 2026-06-08 Hermes Agent 的记忆系统：为什么它修正了 OpenClaw 的错误
Hermes Agent 的记忆系统：为什么它修正了 OpenClaw 的错误 原文：Manthan Gupta（@manthanguptaa） 如果你读过我之前关于 ChatGPT memory、Claude 简短来说：Hermes 不是只有一个记忆系统，它有四个。 第一层：冻结的 prompt 记忆 内置记忆系统其实小得惊人。 大多数记忆系统只关注语义召回：名字、偏好、事实和摘要。但 agent 还需要记住“怎么做”，而不只是“发生了什么”。 结论 Hermes 的记忆系统不是一个巨大的知识库，也不是一个包装得很漂亮的向量存储。它是一种分层连续性架构。 中心是一个很小的精选 prompt 记忆：MEMORY.md 和 USER.md。
68610编辑于 2026-05-13Hermes Agent 三大核心能力详解：记忆系统、技能引擎与消息网关
但如果要选出最能体现其差异化价值的三个能力，一定是：记忆系统——这是"越用越聪明"的基础技能引擎——这是"自我进化"的实现消息网关——这是"随时可达"的保障核心能力一：三层记忆架构第一层：短期工作记忆（
1.9K31编辑于 2026-04-15- 来自专栏DeepHub IMBA
instinct：一个基于置信度的 AI Agent 自学习记忆系统
人去观察模式、记录下来、维护文件，Agent 只负责执行。 其实记忆应当是 Agent 在反复实践中习得的，而非人工分配的。 核心思想：基于置信度的学习 多数 AI Agent 记忆系统采用显式建模，即人写规则、Agent 遵照执行。 Model Context Protocol 是一个将 AI Agent 与外部工具连接的开放标准。 Agent 调用 suggest 时，返回结果同时包含全局模式和当前项目的专属模式。Python 项目的格式化偏好不会渗透到 Go 项目中。 到第五次会话，Agent 对工作流的熟悉程度已经超过一个新加入的团队成员。
24510编辑于 2026-04-15 - 来自专栏DeepHub IMBA
AI Agent的三重记忆机制：打造高可用的多维记忆系统
比如说需要个人记忆时却选了 RAG，Agent 会显得健忘。需要有据可查的答案时却选了 Agent Memory，Agent 可能会自信满满地重复未经核实的说法。 这超出了 RAG 的范畴，属于 Agent Memory 要解决的问题。 Agent Memory，个人与工作流层 Agent Memory 关注的是 Agent 从交互中记住了什么。 更好的记忆系统需要能决定： 什么该存储 什么该忽略 什么该更新 什么该删除 什么该被召回 什么该被标记为不确定 这比保存对话记录要难得多。 对于个人助理、编程 Agent、写作助手、销售 Agent、客服 Agent 和工作流 Agent 来说，长期使用中记忆是必要组件，不是可有可无的附加项。 只追加事实的记忆系统可能变得不再准确。时序图谱可以表示： 用户 2021 年至 2024 年就职于 A 公司。 用户自 2025 年起就职于 B 公司。
17010编辑于 2026-06-24 AI记忆系统对比
一个好的记忆系统，本质上就是一个“抠门且高效的管家”，它能帮你把原本需要几万甚至几十万Token才能说清楚的事情，压缩到几百字。这不仅关乎钱包的厚度，更直接决定了应用的响应速度和用户体验。 以下是为您更新后的终极选型对比表，特别增加了【费用降低效果】列：记忆系统开发团队情况核心范式与特色主打场景/杀手锏费用降低效果(Token/CostSavings)上手难度与集成方式潜在槽点MemoriMemoriLabs SQL原生+全链路归因Agent原生记忆层，将交互自动转结构化持久状态。打造极致的多智能体协同，需要精确追踪“谁在什么时候做了什么”。 解决长尾上下文遗忘难题，需要Agent具备“举一反三”的学习力。高(智能压缩降耗)通过反射机制过滤无效信息，极大减少上下文窗口膨胀带来的边际成本。 端侧设备、极度追求隐私保护、零成本的微型Agent。极高(零额外推理费)纯数学运算，无任何外部LLM依赖，完全杜绝了Embedding和推理的API调用费。
53410编辑于 2026-04-29- 来自专栏Elastic Stack专栏
用 Elasticsearch 给 AI Agent 装一颗大脑：从零构建跨会话记忆系统
这篇文章记录了我如何用 Elasticsearch 的原生能力，给 Agent 装上一套真正能用的长期记忆系统。 Elastic 近期推出的 Agent Builder 和 Workflows 这两个功能，让你不用写一行应用代码，就能把上面所有能力串成一个完整的记忆系统。 这意味着整个记忆系统的工具层，零应用代码。5.1 工具一：Save_Memory（写入记忆）这个工具让 AI 在对话过程中，把识别到的高价值信息写入 Elasticsearch。 六、串联起来：Agent 如何使用记忆配置好工具后，在 Agent Builder 中把这两个工具分配给你的 Agent，再在 system prompt 里加上记忆管理的指令。 写在最后我一直觉得，AI Agent 领域最被低估的问题不是"推理能力"，而是"上下文工程"。模型越来越聪明，但如果你喂给它的上下文是垃圾，输出就是垃圾。记忆系统就是上下文工程的核心基础设施。
30011编辑于 2026-04-30 - 来自专栏服务端技术杂谈
智能体记忆系统
比如你是一个素食主义者，但因为智能体记忆缺陷，Agent给你推荐了烤肉，这会降低你对Agent的信任感。 更长的上下文会显著增加大模型的推理延迟，带来高昂的Token成本。 为了解决这一问题，业界开源了Mem0长期记忆系统。 它通过动态的提取、整合、检索对话中的关键信息，赋予了智能体长期记忆的能力。 底座是包含向量数据库和知识图谱架构设计。 这样memory记住的不是原始的对话，而是结构化的事实，让Agent更好掌握对话实质内容。 这些结构化信息将作为后续存储和检索的基础。 向量存储，解决的是语义理解。 最有效的记忆系统会将语义相似性搜索和关系遍历相结合的混合搜索。 当用户问：“其他具有相似风险偏好的客户提出过哪些投资担忧？”
53911编辑于 2026-03-11 - 来自专栏Vegout
Nanobot 记忆系统深度解析
长期记忆是用户的第二大脑，不是日志" ❌ 不会自动把所有对话都塞进去 ❌ 没有复杂的自动摘要算法 ✅ 依赖 LLM 的推理能力判断"什么值得记住" ✅ 保持简洁，只存真正重要的信息 总结 nanobot 的记忆系统通过分层设计解决了记忆膨胀问题
65010编辑于 2026-03-13 - 来自专栏AI SPPECH
MCP 与长期记忆系统结合
通过分析长期记忆在 Agent 系统中的核心作用，详细阐述 MCP 与向量数据库、知识图谱等记忆系统的集成机制。 ）的一个重要设计目标就是支持与长期记忆系统的深度集成，通过标准化的接口和协议，让 Agent 能够高效地存储、检索和利用长期记忆。 1.3 行业动态与技术趋势 当前，长期记忆系统已成为 AI Agent 领域的研究热点。 五、实际工程意义、潜在风险与局限性分析 5.1 实际工程意义 MCP 与长期记忆系统的结合在实际工程中具有重要意义： 提高 Agent 智能水平：赋予 Agent 持续学习和知识积累的能力，提高其决策质量和适应性 支持复杂任务：长期记忆支持 Agent 处理复杂的多步任务和长期项目 促进知识共享：不同 Agent 之间可以共享记忆资源，促进知识的传播和复用 5.2 潜在风险 尽管 MCP 与长期记忆系统的结合具有诸多优势
56710编辑于 2026-01-08 Hermes Agent 持久记忆系统彻底解决上下文丢失
（不仅记得技术栈，还记得历史操作记录）记忆系统的技术细节写入机制记忆不是简单的"保存聊天记录"。 /project-docs/开始体验要充分体验记忆系统的价值，建议持续使用至少一周。在云端部署可以确保Agent持续运行，记忆不断积累。 Q3：如何防止Agent记住不该记住的信息？A：可以在对话中明确告诉Agent"不要记住这个"，也可以在config中配置记忆过滤规则。
1.4K10编辑于 2026-04-16- 来自专栏机器之心
400篇参考文献重磅综述，统一调查「人脑×Agent」记忆系统
记忆系统奠定理论基石。 因此，记忆超越了其作为桥接历史交互的被动存储库的角色，而是充当 Agent 认知架构中的关键主动组件。因此，给 Agent 装上记忆系统，并非只是为了记住，而是为了实现三大核心作用： 图 1. 2.Agent 中的记忆存储 不同于人脑浑然天成的神经网络，Agent 的记忆系统是显式的工程构建。 Agent 记忆系统评测 综述将现有的 Benchmark 分为了两类： 面向语义（Semantic-oriented）：重点关注 Agent 如何构建、维护和利用其内部记忆中的信息状态。 面向情景（Episodic-oriented）：旨在评估复杂下游应用场景（使用外部工具完成任务）中 Agent 上记忆系统的实际性能增益。 表 1. 面向语义的基准 表 2.
61510编辑于 2026-01-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号