AI Agent 记忆系统全解析：7 种记忆类型与工程实现指南

一句话看懂

LLM 默认无状态，Agent 需要记忆才能持续推理。本文拆解 7 种记忆类型，从工作记忆到前瞻记忆，附代码和构建顺序。

详细发生了什么

大型语言模型（LLM）本质上是无状态的——每次 API 调用都从零开始，模型不会记住上一条消息。这对单轮问答没问题，但构建 Agent 时，记忆成为刚需。Agent 需要规划、调用工具、跨多步执行，必须保留上下文。

MarkTechPost 发布的这篇技术指南将 Agent 记忆分为 7 种类型，按存储形式（参数化/非参数化）和时间尺度（短期/长期）两个维度划分：

工作记忆（In-Context / Working Memory）：短期，位于 context window，包含系统提示、最近消息、工具输出和推理步骤。类似 RAM，快速但容量有限。
语义记忆（Semantic Memory）：长期，存储事实、偏好和领域知识（如“用户喜欢 Python”），与学习时间无关，是 Agent 的百科全书。
情景记忆（Episodic Memory）：长期，记录具体事件、完整对话和任务运行结果，用于从经验中学习。典型实现如 Reflexion 和 ExpeL 系统。
程序记忆（Procedural Memory）：长期，存储技能、工具使用模式和工作流。例如客服 Agent 处理第 100 次密码重置时直接执行已知流程。
检索记忆（Retrieval Memory）：短期+长期，知识存储在外部向量数据库中，推理时通过相似性搜索拉入 context，即 RAG 在 Agent 历史或文档上的应用。
参数记忆（Parametric Memory）：长期，知识固化在模型权重中，包括语言、推理模式和通用世界知识，训练后冻结。
前瞻记忆（Prospective Memory）：短期+长期，记住未来意图和计划任务，对长周期多步规划 Agent 至关重要，否则 Agent 会忘记自己的承诺。

文章还给出了一个 Python 示例，演示如何组合工作、语义、情景和程序记忆，并建议按需逐步添加：先工作记忆，再语义记忆，最后情景、程序和前瞻记忆。

中文圈视角

这篇指南对国内 AI 工程师非常实用，原因有三：

1. 国产模型同样面临记忆问题。 DeepSeek、Kimi、智谱 GLM 等模型默认也是无状态的，构建 Agent 时记忆架构的设计思路完全通用。国内开发者可以直接参考文中的分类和代码，用 Milvus、Faiss 或国产向量数据库（如 Zilliz Cloud）实现检索记忆。

2. 中文场景的特殊需求。 语义记忆中存储的用户偏好和事实，对中文助手（如理财顾问、客服）尤其重要。例如“用户偏好低风险理财”这类事实需要跨会话持久化，而国产 Agent 框架（如百度千帆、阿里百炼）目前对记忆层的支持尚不完善，本文可作为设计参考。

3. 前瞻记忆是中文 Agent 的盲点。 国内多数 Agent 产品（如办公助手、日程管理）缺乏前瞻记忆——它们能执行单步指令，但无法记住“下周五发周报”这类未来意图。本文明确指出了这一缺失，对想构建长期规划 Agent 的团队是重要提醒。

需要注意：文中提到的 Reflexion、ExpeL 等系统需要访问 OpenAI API，国内用户可考虑用 DeepSeek 或 Qwen 替代，并自行实现日志存储和反思逻辑。向量数据库方面，MongoDB 和 Redis 有云服务，但国内建议使用阿里云 Tair 或腾讯云 Tendis 兼容 Redis 协议。

几条值得记住的细节

工作记忆是 context window 内的临时空间，所有其他记忆类型最终都要竞争这里的容量。
语义记忆与时间解耦，适合存储用户偏好和事实；情景记忆保留时间戳，用于从失败中学习。
程序记忆可以放在 system prompt 中（通过 few-shot 示例），也可以微调进模型权重。
检索记忆的质量瓶颈在于检索本身——embedding 模型和索引策略直接影响 Agent 表现。
前瞻记忆通常用任务队列或调度器实现，是长周期 Agent 的必备组件。

一句话总结

Agent 记忆不是单一技术，而是 7 种存储的协同系统——从 context window 到向量库，按需分层构建。