Agent记忆系统：从"鱼的记忆"到"大象的记忆"

大模型本身没有记忆

每次对话对大模型来说都是全新的。Agent之所以能"记住"，全靠外部记忆系统。

Agent Memory ≠ RAG（检索增强生成）。RAG是"查资料"，Memory是"记经历"。

三层记忆架构（MemGPT/Letta体系）

L1：工作记忆（Working Memory）

当前对话的上下文窗口。像人的"脑子里的东西"，容量有限，用完即弃。

• 当前会话的对话历史
• 正在执行的任务状态
• 最近加载的文件内容

L2：核心记忆（Core Memory）

压缩后的关键信息，跨会话持久化。像人的"短期记忆→长期记忆"转换。

• 用户偏好和习惯（MEMORY.md）
• 项目背景和架构决策
• 重要教训和踩过的坑

L3：归档记忆（Archival Memory）

海量历史数据，存向量数据库，需要时检索。像人的"翻旧日记"。

• 每天的详细工作日志
• 完整的对话记录
• 历史项目的全部文件

记忆管理好习惯

1. 对话结束前，把关键决策写进Core Memory
2. 定期review归档记忆，提炼有价值的信息升级为核心记忆
3. 不要让工作记忆过载：接近Token上限就触发压缩归档
4. 重要信息做冗余存储（文件+数据库+脑内摘要）