文档教程AI Agent人工智能【免费下载链接】Agentic-Design-PatternsAgentic Design Patterns项目地址https://gitcode.com/gh_mirrors/agen/Agentic-Design-Patterns点击查看免费下载在Agentic Design Patterns这本 424 页的实战指南中**记忆管理Memory Management**是第 8 章的核心主题。它回答了所有 AI Agent 构建者最关心的问题如何让你的 AI Agent 拥有长期记忆跨会话记住用户偏好、任务进度与历史经验。本文用零基础也能看懂的方式带你拆解短期记忆与长期记忆、主流框架的实现方式以及记忆如何让 Agent 持续越用越聪明。为什么记忆如此重要没有记忆的 AI Agent 就像金鱼——每次对话都从零开始无法维持上下文、无法从经验中学习、更无法为不同用户提供个性化服务。**记忆管理Memory Management**正是解决这一问题的关键 Agentic 设计模式它让 Agent 既能记住当前对话的短期信息又能把宝贵的长期知识存进外部数据库需要时随时召回。从 LLM 到 RAG、再到 AI Agent 与 Agentic AIMemory记忆始终是驱动智能系统的核心模块。一、AI Agent 的两类记忆短期记忆 vs 长期记忆理解记忆管理的第一步是分清 Agent 的两种记忆就像人类的工作记忆和长期记忆。1. 短期记忆Short-Term Memory当前对话的工作台短期记忆又叫上下文记忆Contextual Memory存放在大模型的**上下文窗口context window**里包含 最近的对话消息 工具调用结果 Agent 的反思与推理它的容量有限且一旦会话结束就会丢失。即使模型支持长上下文也只是把这块临时记忆扩大了依然不会跨会话保留。因此Agent 还需要独立的长期记忆来真正做到持久化。2. 长期记忆Long-Term Memory可检索的知识库长期记忆把需要跨多次交互、跨任务保留的信息存到 Agent 的外部处理环境中通常是️ 数据库 / 知识图谱向量数据库Vector Database把信息转成数值向量Agent 可以按语义相似度检索而不只是精确关键词匹配——这就是语义搜索Semantic Search。当 Agent 需要调用长期记忆时它会查询外部存储 → 取回相关数据 → 融入当前短期上下文从而把过去和现在结合起来。Agentic AI 的 5 步问题解决流程中Learn and Get Better学习并变强正依赖长期记忆沉淀过去的经验。二、记忆管理的 6 大应用场景记忆管理让 Agent 从只能答一次问题进化为越用越懂你。典型场景包括场景记忆的作用聊天机器人与对话式 AI短期记忆维持对话连贯长期记忆记住用户偏好、历史问题任务型 Agent跟踪多步任务的进度与目标召回与用户相关的数据个性化体验存储并检索用户偏好、行为定制响应与建议学习与改进把成功策略、错误、新知识存入长期记忆供未来复用信息检索RAG以知识库作为长期记忆检索相关文档辅助回答自主系统存储地图、路线、对象位置与习得行为三、实战主流框架如何落地记忆管理理解了是什么下面看看两大主流 Agentic 框架怎么把记忆管理真正跑起来。完整框架对比见附录Agentic Frameworks1. Google ADKSession / State / MemoryService 三件套Google Agent Developer KitADK用三个核心概念管理记忆非常清晰Session会话一个独立的聊天线程记录消息、事件Events与临时数据是 Agent 的短期记忆容器。State状态session.state会话内的草稿本用键值对存储当前对话的临时数据。它支持三种前缀来区分数据归属与持久性user:→ 绑定到某个用户跨所有会话app:→ 在应用所有用户间共享temp:→ 仅当前处理轮次有效不持久化Memory记忆由MemoryService管理的可检索长期知识库可存放来自历史对话或外部来源的信息。⚠️ 小提醒更新 State 的推荐做法是通过output_key或在追加事件时使用EventActions.state_delta而不是直接修改session.state字典——后者会绕过标准事件处理可能不被持久化还会引发并发问题。ADK 的存储可灵活配置测试用InMemorySessionService生产可用数据库DatabaseSessionService或云端 Vertex AI 服务兼顾持久性与可扩展性。2. LangChain LangGraph从对话缓冲到语义存储短期记忆以线程为范围跟踪当前对话。LangGraph 把短期记忆作为 Agent 状态的一部分通过checkpointer持久化可随时恢复任意线程。长期记忆跨会话、跨线程共享存于自定义namespace命名空间随时可召回。LangChain 的ConversationBufferMemory能自动把历史对话注入提示词让模型记得刚才聊了什么而 LangGraph 用store保存长期记忆并按 JSON 文档组织在命名空间 键的层级结构中方便分类检索。自改进 AgentSICA会基于历史版本持续学习与进化其经验正是长期记忆存储并调用的结果。四、长期记忆的三种形态语义、情景、程序LangGraph 把长期记忆细分为三类类比人类记忆非常形象语义记忆Semantic Memory——记住事实用户偏好、领域知识可维护成持续更新的用户档案。情景记忆Episodic Memory——记住经历过去的任务与事件常通过 few-shot 示例提示实现让 Agent 从成功经历中学习。程序记忆Procedural Memory——记住规则Agent 的核心指令与行为通常在系统提示中。有效技巧是反思Reflection让 Agent 结合近期交互改写并优化自己的指令。五、记忆管理关键要点速查✅ 记忆让 Agent 追踪信息、学习并个性化交互是超越一问一答的基础。✅短期记忆上下文临时、受上下文窗口限制长期记忆用外部存储如向量库 语义搜索实现跨会话持久。✅ 对话式 AI 需要两者结合短期记忆管即时连贯长期记忆管跨会话个性化。✅ ADK 三件套Session聊天线程State临时数据用前缀区分作用域MemoryService可检索长期知识。✅ 只要 Agent 需要维持上下文、跟踪多步任务、个性化或从经验中学习就应该使用记忆管理这一模式。六、延伸阅读与资源导航想深入学习 Agentic 设计模式中的记忆管理建议按以下路径阅读本书章节 本章完整源码与详解Chapter 8: Memory Management 长期记忆的知识库底座Chapter 14: Knowledge Retrieval (RAG)-1v96Oobio6xDOqbK8ejsXjmOc4Dp2uoLMo5_gfJgi-NE.md) 记忆如何驱动 Agent 学习与适应Chapter 9: Learning and Adaptation ADK / LangChain / LangGraph 框架对比Appendix C: Quick Overview of Agentic Frameworks 全书目录与概览README掌握记忆管理你就迈出了让 AI Agent 真正拥有长期记忆的关键一步。结合 RAG 与学习适应模式你的 Agent 将能从每一次交互中沉淀知识持续进化。赞分享文档教程AI Agent人工智能【免费下载链接】Agentic-Design-PatternsAgentic Design Patterns项目地址https://gitcode.com/gh_mirrors/agen/Agentic-Design-Patterns点击查看免费下载相关推荐一条 bsk 命令截出 10 万像素长页面BrowserSkill 三种模式安装、开拍与排错指南一条 bsk 命令截出 10 万像素长页面BrowserSkill 三种模式安装、开拍与排错指南 要把一个已登录的超长数据页做成完整存档靠人工智能AI 应用AI 技能浏览器控制dsh-pluginfinancial-services贡献指南从Fork到PR的完整流程与注意事项financial services贡献指南从Fork到PR的完整流程与注意事项 financial services 是面向金融行业的 Claude Age人工智能AI 应用Agent 记忆MCP 服务VoltAgent持久记忆完全指南构建拥有长期记忆的AI智能体 VoltAgent持久记忆完全指南构建拥有长期记忆的AI智能体 VoltAgent是一个开源TypeScript AI智能体框架 package.js人工智能AI AgentAgent 框架后端多智能体RAG工具调用Agent 记忆Agent 工作流AI 评测MCP 服务MCP Clients语音创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考