企业官网建设流程全解析

【71.Python+AI】Agent记忆系统：短期记忆、长期记忆与外部知识库的三层架构

📖文章简介：本文系统讲解Agent记忆系统的三层架构设计：短期记忆（对话历史的Token预算管理）、长期记忆（用户画像与偏好的跨会话积累）和外部知识库（向量数据库中沉淀的"经验库"）。文章拆解每层的存储介质、读写时机和淘汰策略——短期记忆用滑动窗口+摘要压缩、长期记忆用结构化Profile持久化、经验库用向量检索按需召回，并给出一个三层记忆整合的Python实现骨架。配以Mermaid架构图展示记忆读写时机与数据流向，适合正在开发多轮对话Agent、被"聊着聊着就忘了"问题困扰的开发者。

🎬 个人主页：源码骑士

❄专栏传送门：《Android开发基础》《python基础课程》

⭐️热衷从源码视角拆解技术底层原理，将复杂架构讲得通俗易懂

🎬 源码骑士的简介：
5年Android Framework系统开发经验，曾主导多项系统级性能优化专项
技术栈覆盖Android系统全链路（Binder/Handler/AMS/WMS/启动流程）及Java后端全家桶（Spring + MyBatis + Redis + Oracle）
累计产出原创技术文章100+篇，文章以流程图为特色，被读者评价为"看一篇胜过啃一周源码"

导入语

你跟AI助手聊了半小时，它还记得你第一句说的"我对海鲜过敏"吗？下周再打开它，它还能叫出你的名字吗？

如果两个问题的答案都是"不能"，那你的Agent就没有真正的记忆系统——它只是一个"金鱼脑"：所有的上下文都活在当前的对话窗口里，窗口满了就丢，会话结束就清零。

真正可用的Agent需要三层记忆：对话内记住说过什么、跨会话记住你是谁、永久记住它积累的经验。这篇文章就把这三层怎么设计、怎么配合讲清楚。

1 ~> 三层记忆架构总览

1.1 三层分工对照

2 ~> 短期记忆：对话历史的管理

2.1 核心矛盾：窗口有限，对话无限

LLM的上下文窗口是硬约束（比如128K tokens）。对话一长，必须做取舍：

2.2 实现：窗口+摘要混合

classShortTermMemory:def__init__(self,window_size=10,llm=None):self.window_size=window_size self.llm=llm self.recent=[]# 最近N轮原文self.summary=""# 更早历史的压缩摘要defadd_turn(self,user_msg,ai_msg):self.recent.append({"user":user_msg,"assistant":ai_msg})iflen(self.recent)>self.window_size:# 挤出的最早一轮，合并进摘要overflow=self.recent.pop(0)self.summary=self.llm.invoke(f"把这段对话合并进现有摘要，保持关键信息：\n"f"现有摘要：{self.summary}\n新增对话：{overflow}").contentdefget_context(self):returnf"历史摘要：{self.summary}\n最近对话：{self.recent}"

3 ~> 长期记忆：用户画像的持久化

3.1 从对话中提炼"关于用户的事实"

每轮对话结束后，让LLM提取值得长期记住的信息：

EXTRACT_PROMPT="""从以下对话中提取关于用户的持久化事实（偏好/身份/习惯）， 以JSON列表返回，没有则返回[]。 已有画像：{existing_profile} 新对话：{conversation} 只返回新增的、不重复的事实，如： ["用户对海鲜过敏", "用户是Python后端开发", "用户偏好简洁的回答"]"""classLongTermMemory:def__init__(self,db_path="profiles.db"):self.db=sqlite3.connect(db_path)defupdate_profile(self,user_id,new_facts):"""增量合并新事实到用户画像"""profile=self.load_profile(user_id)forfactinnew_facts:iffactnotinprofile["facts"]:profile["facts"].append(fact)self.save_profile(user_id,profile)

3.2 画像的使用时机

画像不是每轮都全部注入——而是在生成回复前，作为System Prompt的一部分：

system_prompt=f"""你是用户的私人助手。 已知用户信息：{profile['facts']}请在回答时考虑这些背景，但不要主动复述。"""

4 ~> 外部知识库：经验库的沉淀

4.1 与RAG的区别

普通RAG的知识是"别人写的文档"，经验库的知识是**“Agent自己干过的事”**：

classExperienceMemory:def__init__(self,vector_store):self.store=vector_storedefsave_experience(self,task,solution,success):"""把一次成功任务的解法沉淀进经验库"""ifsuccess:self.store.add_texts([f"任务：{task}\n解法：{solution}"])defrecall(self,new_task,top_k=3):"""遇到相似任务时召回历史经验"""returnself.store.similarity_search(new_task,k=top_k)# 使用exp=ExperienceMemory(chroma_store)# 执行新任务前，先查经验similar=exp.recall("批量处理1000条客服对话并分类")ifsimilar:prompt=f"参考历史经验：{similar}\n\n新任务：..."

4.2 写入时机的把关

经验库最大的坑是垃圾进垃圾出——失败的尝试、错误的结论如果被沉淀，会污染后续召回。两条原则：

1. 只有用户确认满意的结果才入库（用户给了正反馈才save）
2. 入库前让LLM做一次泛化（把具体的"1000条客服对话"抽象为"大批量文本分类任务"）

5 ~> 三层记忆的读写时机总表

思考 && 总结

1. 记忆不是单一概念，而是三种不同生命周期的系统：短期管"这次对话"、长期管"这个用户"、经验库管"这个Agent的成长"。
2. 短期记忆的最优解是窗口+摘要：单纯滑动窗口会丢关键信息，纯摘要又会丢失细节，混合策略是工程上的最佳平衡。
3. 长期记忆的关键是"增量提炼"而非"全文存储"：把对话原文全存下来既浪费又难用，提炼成事实列表才有价值。
4. 经验库要严格把关写入质量：宁缺毋滥——一条错误的经验，会污染之后无数次相似任务的召回。

没有记忆系统的Agent只是聊天机器人，有三层记忆的Agent才开始像一个"越用越懂你的助手"。

结尾

各位小伙伴，本文的内容到这里就全部结束了，源码骑士在这里再次感谢您的阅读！

源码骑士 — Android Framework & 全栈开发

👀关注：跟博主一起从源码视角深耕底层原理，见证每一次成长

❤️点赞：让优质内容被更多人看见，让知识传递更有力量

⭐收藏：把核心知识点存好，在需要时随时查、随时用

💬评论：分享你的经验或疑问，评论区一起交流避坑

🔄一键四连：不要忘记给博主"一键四连"哦！

🗡️寄语：技术之路难免有困惑，但同行的人会让前进更有方向

结语：人类靠记忆建立信任，Agent也一样。把三层记忆搭好，你的Agent就从"每次见面都重新认识"进化成了"老朋友"。不要忘记给博主"一键四连"哦！