AI Agent 的记忆，本质是在上下文窗口之外为智能体保存可跨会话复用的状态：短期记忆负责当前任务的上下文延续，长期记忆负责跨天、跨项目的知识沉淀；最稳妥的落地做法是「文件笔记 + 上下文压缩 + 向量库」三层组合。下面用 Anthropic 官方的实践拆开讲。
一、先分清两种记忆
很多团队一上来就想接向量数据库，结果 Agent 跑两步就「忘了」刚做的事。根因是没分清楚记忆的职责：
| 维度 | 短期记忆 | 长期记忆 |
|---|---|---|
| 作用范围 | 单次任务内的上下文延续 | 跨会话、跨项目的知识沉淀 |
| 典型载体 | 上下文窗口、压缩摘要、结构化笔记 | 文件、向量库、外部数据库 |
| 何时用 | 长流程编码、多步推理 | 用户偏好、项目决策、历史结论 |
一句话判断：会随对话结束而失效的放短期，希望「下次打开还在」的放长期。两者不是二选一，而是叠加使用。
二、短期记忆：上下文编辑（自动压缩）
Anthropic 在 Claude 开发者平台推出的「上下文编辑（Context Editing）」就是典型短期记忆机制：当 token 接近上限时，自动清除陈旧的工具调用与结果，只保留对话流。官方内部评测显示，仅上下文编辑就让智能体性能提升 29%，在 100 步网页搜索里把 token 消耗降低 84%。
上下文编辑和摘要（compaction）有什么区别？
摘要是把整段历史压成一小段；上下文编辑更精细，它只删掉「已经没用的工具原始返回」，保留你真正需要继续用的结论。简单说：compaction 是整体瘦身，context editing 是定点清理。 Claude Code 的 /compact 命令就属于后者思路。
三、长期记忆：三种可落地方案
1. 结构化笔记（文件）
让 Agent 定期把进度写进文件（如 NOTES.md 、 CHANGELOG.md），下次会话开头读回。这是开销最小、最稳的长期记忆，Claude Code 的待办列表、长时任务的进度文件都是这个模式。
2. Memory Tool（文件型记忆）
Anthropic 的 memory tool 让 Claude 通过工具调用在指定目录里创建、读取、更新、删除文件，数据存在你自己的基础设施里、完全客户端侧、跨会话持久化。适合「项目状态」「架构决策」这类要累积的知识。
3. 向量库
当记忆规模大、需要语义检索时，把历史结论做成 embedding 存向量库，运行时按相似度召回。可结合 RAG 检索增强生成 的思路使用。
四、落地代码骨架
- 在 Agent 工作目录建一个 memory/ 文件夹，作为专属记忆区。
- 给 Agent 两个工具：save_note(content) 与 read_notes()，分别写/读 memory/NOTES.md 。
- 在系统提示里要求：每完成一个里程碑，就 save_note 一条「做了什么 + 关键决策」。
- 新会话启动时先 read_notes()，把历史结论注入上下文，再开始干活。
五、常见坑
- 把本该长期的偏好写进短期上下文，会话一断全丢；
- 笔记不结构化，回读时一大坨，反而浪费 token；
- 向量库当万能，却忘了「刚发生的结论」还在上下文里，重复检索。
更系统的长上下文用法，可看 Anthropic 长上下文怎么用；想做智能体编排可参考 OpenAI Agents API。
阅读 Anthropic 上下文管理文档Agent 记忆一定要用向量数据库吗？
不一定。小规模、强结构的记忆用文件笔记最划算；只有需要语义检索、记忆量大时才上向量库。
上下文窗口已经很大了，还需要短期记忆吗？
需要。真实任务会耗尽任何固定窗口——Anthropic 评测里 100 步搜索就会爆窗，靠上下文编辑才能既不丢信息又省 84% token 。
memory tool 的数据存在哪里？
存在你自己的基础设施（你指定的记忆目录），通过工具调用读写，完全客户端侧，平台不碰你的数据。
短期和长期记忆会冲突吗？
不会，它们互补：短期管「这次做到哪」，长期管「以前学到啥」。建议两者叠加，而不是二选一。
评论 (0)