- 综合排序
- 最热优先
- 最新优先
- 来自专栏Elastic Stack专栏
AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent
Agent 中的记忆类型与选择性检索：使用 Elasticsearch 管理记忆来创建智能 Agent并非所有记忆都服务于相同的目的，如果将它们视为可互换的对话历史，将会限制 Agent 的扩展能力。 现代 Agent 架构，包括像 语言 Agent 的认知架构（CoALA） 这样的框架，区分了程序性记忆、情景性记忆和语义性记忆。 程序性记忆：Agent 如何运作程序性记忆 定义了 Agent 的行为方式，而非它知道或记住什么。在实践中，这包括：何时存储记忆。何时检索记忆。如何总结对话。如何使用工具。 Python 3.x。OpenAI API Key。此应用程序的完整 Python 笔记本可在此处找到：点击这里。为什么选择 Elasticsearch？ 使用 OpenAI 的 Response API 构建 Agent。测试选择性记忆系统。结论记忆不仅仅是存储过去对话的地方。它是 Agent 架构的一部分。
20610编辑于 2026-04-29 - 来自专栏Elastic Stack专栏
AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent
Agent 中的记忆类型与选择性检索：使用 Elasticsearch 管理记忆来创建智能 Agent 并非所有记忆都服务于相同的目的，如果将它们视为可互换的对话历史，将会限制 Agent 的扩展能力。 现代 Agent 架构，包括像 语言 Agent 的认知架构（CoALA） 这样的框架，区分了程序性记忆、情景性记忆和语义性记忆。 程序性记忆：Agent 如何运作 程序性记忆 定义了 Agent 的行为方式，而非它知道或记住什么。 在实践中，这包括： • 何时存储记忆。 • 何时检索记忆。 • 如何总结对话。 构建记忆系统 记忆索引结构 首先，我们定义记忆模式（Schema）： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 mappings = { "properties": • 使用 OpenAI 的 Response API 构建 Agent。 • 测试选择性记忆系统。 结论 记忆不仅仅是存储过去对话的地方。它是 Agent 架构的一部分。
14810编辑于 2026-05-11 - 来自专栏程序猿DD
如何让 AI Agent 的记忆更像人类？
目前的 AI "记忆"系统真的在"记忆"吗，还是只是在机械地存储数据？ 今天我想分享一篇文章，带你深入思考 AI 记忆的本质，探讨如何构建真正类似人类记忆的智能体系统。 以下内容翻译自《Towards Human like Memory for AI Agents》。 记忆已经成为 AI 社区最受关注的话题之一。 在这篇博客中，我将分享我认为智能体的记忆层将如何演变得更像人类。 为什么当前的记忆系统会失败？ 如今大多数 AI 应用中的记忆系统都建立在一个简单的想法上：存储每条消息、事件或摘要，需要时检索。 它由五个相互连接的层组成：感觉记忆、短期记忆、长期记忆、记忆管理器和核心记忆。 感觉记忆 每次交互都从这里开始，即感觉层。它负责捕获原始输入并决定什么值得注意。 • 存储稳定事实、个性特征和行为倾向 • 随着新的长期模式的出现而缓慢演进 • 塑造所有其他记忆的解释和检索方式 整合在一起 1. 输入进入感觉层，被过滤和标记 2. 短期记忆临时保存主题 3.
32210编辑于 2026-02-28 - 来自专栏探物及理
RL实践3——为Agent添加Policy、记忆功能
对于一般问题，Agent包括如下功能 对环境的引用 自身变量：Q值，状态值的记忆 策略方法 动作执行方法 学习方法：改进策略，这部分是关键 class Agent(): def __init__ 添加记忆功能 以上章节的实现，是基于agent的E、Q值表，对于离散的、有限个的状态空间和动作空间，实现没问题。 同时没有记忆功能的Agent只能进行单一episode的学习，无法对其他的episode学习，无法进行batch学习，上限较低，对于复杂问题，为了增强学习的鲁棒性，往往需要输入数据的规模扩充，也就是对Agent 有了记忆能力的要求。 实现方式 抽象基类Agent 为了让代码具有较高的复用性和可读性，提现python的集成和多态特性，将Agent抽象为一个基类，在子类中实现记忆功能。
1.1K20发布于 2020-09-10 AI prompt agent 记忆召回机制。有什么用？
“AI Prompt Agent 记忆召回机制”是一种在 AI 系统中模拟“记忆”的机制，目的是让 AI 能够根据上下文或用户历史行为“想起”相关信息，从而做出更连贯、个性化、更智能的响应。 记忆召回（Memory Retrieval）= 从存储的信息中找出与当前对话相关的内容它是大型语言模型中的一种**“长期记忆”系统**，和“短期对话上下文”配合使用，目的是让 AI： 不仅记住你刚才说的话 AI：你可以考虑猫、狗、鱼... 有记忆召回的 AI： 用户：我喜欢猫。 （下一次对话） 用户：你觉得我适合养什么宠物？ AI：你之前说过喜欢猫，我觉得猫还是很适合你的！ AI能引用以往文档或会话中的内容 总结一下： 记忆召回机制 = 让 AI 更像“你熟悉的老朋友”，而不是“只记得刚才话题的临时助手”。 如果你是在开发 Prompt Agent，我可以给你提供一个记忆召回的代码结构或架构设计图，要不要？
62210编辑于 2025-07-16- 来自专栏DeepHub IMBA
为 AI agent 构建智能上下文记忆
Memory（记忆）是任何有效 AI agent 的基础组件。在最核心的层面，memory 存的是过去的用户交互和上下文信息，让 agent 在时间维度上做出更准确的响应。 视情况，agent 可能： 触发一次工具调用 向用户请求澄清 直接给出最终响应 Memory 把 AI agent 从被动响应的系统，变成具备上下文感知的助手。 /graphrag_demo Step 3：查询图谱 直接对生成好的知识图谱发起查询： graphrag query \ — root . 把 rolling context window、语义相似度检索、经验记忆和基于图的检索结合起来，就能构建出不只会回忆、还会推理的 agent。 agent memory 的未来在于从存储信息转向连接知识，让 AI 系统从上下文感知的助手，进一步演进为具备上下文推理能力的协作者。 by Mudassir Fazal 喜欢就关注一下吧
22710编辑于 2026-05-11 OpenHuman全面解析：长期记忆AI Agent的核心逻辑
为什么它不只是聊天机器人简单来说，OpenHuman 是一个强调：长期记忆Agent工作流本地优先自动化协作的开源AI项目。 AI Agent”OpenHuman最大的特点：长期记忆系统在AI领域，“长期记忆”一直是非常难的问题。 而 OpenHuman 的长期记忆体系，可以逐步建立：项目背景工作流程用户习惯任务关系从而让AI真正参与长期协作。OpenHuman为什么被称为AI Agent？ OpenHuman未来可能的发展方向从行业趋势来看，未来AI很可能会逐渐演变成：数字工作助手长期协作Agent自动化任务中枢而 OpenHuman 正在尝试把：长期记忆Agent执行工具协同本地AI整合到一起 它真正值得关注的地方包括：长期记忆能力Agent自动执行本地优先设计多工具协同长周期工作流支持而这些方向，也很可能代表未来AI助手的发展趋势。
32310编辑于 2026-05-22- 来自专栏AI大模型
Spring AI 实战：聊天记忆之带记忆能力的智能行程规划 Agent 开发
本文作为 Spring AI 系列的 Agent 进阶篇，将基于 Spring AI 的聊天记忆功能，为 Agent 新增记忆能力，使其能存储用户偏好、自动复用历史信息，让行程规划更个性化、更高效。 若用户未重复说明偏好，自动复用记忆中的信息；若有新偏好，覆盖旧记忆； 3. , "agentType": "带记忆的智能行程规划 Agent", "userId": "1001" } 测试 3：多用户隔离（用户 1002 首次查询，不同偏好） 访问接口：http://localhost 总结 本文通过 Spring AI 的聊天记忆功能，为智能行程规划 Agent 新增了记忆能力，解决了 “重复输入偏好” 的痛点。 Spring AI 封装了成熟的记忆组件，开发者无需关注底层存储细节，即可快速实现 Agent 的记忆功能，极大降低了开发门槛。
58120编辑于 2026-03-09 Foundry Agent流程记忆用法
FoundryAgent流程记忆用法1.FoundryAgentService的proceduralmemory：把Agent记忆从“记住事实”推进到“执行流程”FoundryAgentService的 传统长期记忆偏向事实保存，例如用户资料、对话摘要、上下文偏好；MicrosoftFoundryBlog这篇2026年6月3日的文章把重点放在proceduralmemory，也就是把成功路径、失败模式、 ，并设置default_ttl_seconds；3.在测试任务中收集Agenttrajectories，观察哪些步骤被抽取为流程记忆；4.用STATE-Bench、Tau-Bench或自有回归任务比较启用前后的通过率和 关键词：记忆、Agent、Foundry、评测2.Claude沙箱隔离拆解：gVisor、Seatbelt、Bubblewrap与VM如何限制Agent越界Claude.ai、ClaudeCode和ClaudeCowork 关键词：沙箱、Claude、Agent、权限、MCP3.AgentOptimizer：把Foundryhostedagents从可运行推向可验证AgentOptimizer是FoundryAgentService
1010编辑于 2026-06-10AI Agent 记忆机制详解：是什么、为什么、怎么用
AI Agent 记忆机制详解：是什么、为什么、怎么用一、记忆力为何如此重要？在构建持久化、上下文丰富的AI系统时，记忆已不仅是功能特性，而是核心竞争力。为什么记忆如此关键？ 1.2 让AI从“工具”进化为“伙伴”一个只能“回答当前问题”的AI，与另一个能“基于历史经验做决策”的AI，这就是有无记忆能力的本质区别：跨会话连续性：数据质量监控Agent如果能记住哪些数据集经常出问题 AI的选择性回忆有放大用户偏好或压制异议信号的风险总结为AI Agent配置记忆力，本质上是构建一个模拟人脑的分层管理系统：记忆层功能管理策略短期记忆保持当前对话连续性压缩、裁剪、折叠长期记忆存储跨会话知识和经验检索 参考文档1 构建有记忆的 AI Agent：SQLite 存储 + 向量检索完整方案示例，阿里云开发者社区，2025-10 2 2026 AI Agent 记忆系统三大主流范式：从检索到记忆的本质，OceanBase ，2026-02 3 Agent Memory（下）：工作记忆折叠、会话档案化与记忆演化，智源社区，2026-01 4 MAGMA: A Multi-Graph based Agentic Memory
1.5K11编辑于 2026-03-04- 来自专栏存储公众号：王知鱼
AI Agent的“记忆”：从认知到架构的深度解析
阅读收获 理解AI Agent记忆的认知科学基础：深入了解恩德尔·图尔文的场景记忆理论，区分场景记忆与语义记忆，为设计具备“心智时间旅行”能力的Agent奠定理论基石。 1.2 从人类认知到人工智能：定义AI Agent的场景记忆 本节将认知科学的概念转化为适用于AI Agent的具体技术定义。 实现方式：记忆模块应具有严格的访问控制，具有一次写入（对Agent）和删除（对用户）的权限。 原则3：相关性与显著性过滤 核心思想：存储每一个感知和行动在计算上是不可行的，并且会产生低的信噪比。 2.2.2 指导行动：从经验中学习 机制：通过检索类似过去情况的场景，Agent可以分析当时采取的行动及其导致的结果。这是一种案例推理（case-based reasoning）的形式 3。 在实际的AI Agent产品设计中，你认为如何在确保Agent自主学习能力的同时，最大化地保障用户对记忆数据的隐私和控制权？ “主动遗忘”被认为是未来AI Agent记忆管理的关键挑战。
1.7K10编辑于 2025-11-20 - 来自专栏程序员
智能体（Agent）的记忆架构：深入解析短期记忆与长期记忆
在人工智能领域，尤其是基于大语言模型（LLM）的智能体（Agent）系统中，记忆机制是实现持续、连贯和个性化交互的核心基石。记忆系统模拟了人类的认知结构，通常划分为短期记忆和长期记忆。 内容填充：短期记忆的内容由每次交互的输入动态构成。通常遵循以下结构：系统指令：定义Agent的角色、能力和行为准则。对话历史：当前会话中所有交替出现的用户查询和Agent回复。 Agent自动摘要：Agent在会话结束时，自动生成本次会话的摘要（例如，“用户计划了去巴黎的旅行，对印象派艺术感兴趣”），并将摘要存入长期记忆。关键事实提取：从对话中提取出实体（人名、地点）和关系。 现代Agent系统普遍采用向量化存储：将文本信息通过嵌入模型转换为高维向量（一组数字），这个向量捕捉了文本的语义含义。检索当新的会话开始时，Agent不会加载整个长期记忆库（那样会瞬间爆满短期记忆）。 短期记忆作为高速处理单元，决定了Agent在微观任务上的即时表现；而长期记忆作为持久知识库，决定了Agent在宏观时间尺度上的智能深度和个性化水平。
2.5K11编辑于 2025-09-25 - 来自专栏农民工前端
AI Agent 记忆机制详解：是什么、为什么、怎么用
1.2 让AI从“工具”进化为“伙伴” 一个只能“回答当前问题”的AI，与另一个能“基于历史经验做决策”的AI，这就是有无记忆能力的本质区别： 跨会话连续性：数据质量监控Agent如果能记住哪些数据集经常出问题 AI的选择性回忆有放大用户偏好或压制异议信号的风险 总结 为AI Agent配置记忆力，本质上是构建一个模拟人脑的分层管理系统： 记忆层 功能 管理策略 短期记忆 保持当前对话连续性 压缩、裁剪、折叠 参考文档 [1] 构建有记忆的 AI Agent：SQLite 存储 + 向量检索完整方案示例，阿里云开发者社区，2025-10 [2] 2026 AI Agent 记忆系统三大主流范式：从检索到记忆的本质 ，OceanBase，2026-02 [3] Agent Memory（下）：工作记忆折叠、会话档案化与记忆演化，智源社区，2026-01 [4] MAGMA: A Multi-Graph based to AI Memory，Center for Democracy and Technology，2025-12 [6] 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？
76911编辑于 2026-03-06 腾讯云Agent Memory多场景实测攻克AI记忆挑战
腾讯云AgentMemory多场景实测攻克AI记忆挑战一、基础高频场景实测：从“翻文档半小时”到“3分钟开箱即用”痛点直击：做AI智能体开发的同学都知道，想让Agent记住用户偏好、跨会话延续任务，最先碰到的就是 腾讯云AgentMemory实测解法：我拿腾讯云Lighthouse做实测，直接在控制台进OpenClaw实例→应用管理-记忆管理→找到AgentMemory→拨动开关→重启Gateway，全程不到3分钟 三、细分特色场景实测：从“跨端适配难”到“无缝嵌入全生态”痛点直击：现在很多团队用“全家桶”式AI开发平台，比如腾讯QClaw，技能以“小程序”上架商城，但要让Agent记忆跨Windows/macOS 四、总结与避坑建议：选对记忆方案，少走半年弯路实测结论复盘：基础场景里，腾讯云AgentMemory把“部署半小时”压成“3分钟开箱”，零门槛上手甩开源几条街；复杂场景用四层架构和向量数据库，全局记忆保真度 腾讯云AgentMemory是这几个场景的“避坑首选”——基础用零配置开箱即用，复杂用全局记忆不丢线，细分用跨端无缝适配，实测下来就是AI记忆的“效率神器”。
41210编辑于 2026-05-07- 来自专栏运维有术
OpenClaw Memory：让 AI Agent 拥有 7×24 小时的长期记忆
场景一：用普通 AI Agent 我：帮我优化一下 Redis 配置 AI Agent：好的，请告诉我你的 Redis 版本、内存大小、使用场景... 我：（输了一堆信息） AI Agent：明白了，建议你... （第二天） 我：上次那个 Redis 优化还有个问题 AI Agent：请问你之前问的是什么 Redis 问题？能再说一下你的配置吗？ 这让我很沮丧——大部分 AI Agent 的记忆，只存在于当前对话窗口里。 场景二：用 OpenClaw 我：帮我优化一下 Redis 配置 OpenClaw：好的，请告诉我... 3. 搜索：光有向量不够 OpenClaw 提供了 memory_search 和 memory_get 两个工具让 Agent 调用。 如果你也在找一个有长期记忆的 AI Agent，不妨试试。
1.4K00编辑于 2026-04-01 龙虾的记忆该怎么选？从人脑逻辑看AI Agent记忆体的进化方向
这只AI“小龙虾”到底怎么玩透？ 在之前的文章中我们提过，OpenClaw默认以md文件的形式记录记忆：在OpenClaw的workspace中，核心记忆文件如下：若安装了self-improving-agent技能，在workspace ，AI本身存在天然的容错性，甚至可能产生错误的结果，这一特性直接导致整个AI产品生态的底层逻辑发生了根本性变化。 同时，为了简化AI对记忆数据的操作流程、进一步提升数据库性能，数据库必须采用统一的引擎和统一的操作方式，对多模态数据进行一体化管理，就像人脑用同一个记忆中枢，整合并处理所有感官带来的记忆信息。 而记忆体的建设，也将成为AIAgent产品竞争的核心赛道——谁能打造出更贴近人脑逻辑、更高效、更精准的记忆系统，谁就能在AI时代的竞争中占据先机。
37510编辑于 2026-03-26AI 智能体长期记忆突破：Hermes Agent 的三层记忆体系，让 AI 智能体不再失忆
AI 智能体失忆，可能是今天最真实的使用痛点。 先交代一下背景：Hermes Agent 是 Nous Research 推出的开源自我改进型 AI 智能体项目。 官方对它的定位很清楚：一个会随着使用不断积累经验的 self-improving AI agent（自我改进型AI智能体）。 Hermes Agent 的关键设计，是一套三层记忆体系：会话记忆、持久记忆和技能记忆。这三层记忆体系是理解 Hermes Agent 的核心。 Q：Hermes Agent 解决的核心问题是什么？ A：它主要解决 AI 智能体“不会长期记忆、不会积累经验”的问题，让 Agent 不再只是一次性工具。 Q：三层记忆体系指什么？ 3 种能力 关注【亨利笔记】，持续跟踪 AI 技术进展、行业动态与前沿观点，稳稳抓住人工智能时代的真正机会。
47320编辑于 2026-05-20- 来自专栏JavaEdge
如何为Langchain Agent添加记忆功能？
怎么想、怎么做，全在乎自己「不断实践中寻找适合自己的大道」 0 前言 在开发复杂的AI应用时,赋予Agent记忆能力是一个关键步骤。 Agent记忆功能的核心组件 在Langchain中，构建具有记忆功能的Agent主要涉及三个核心组件: 工具(Tools): Agent用来执行特定任务的功能模块。 ,而不是字符串,这对于某些Agent类型很重要 return_messages=True ) 3 定义agent 现在我们有了工具和记忆组件,可以初始化我们的Agent了: from langchain.agents 通常包括系统消息、人类消息提示词模板和AI消息模板。 5 优化Agent配置 为了更好地利用记忆功能,我们需要修改Agent的配置,确保它在每次交互中都能访问对话历史。 添加记忆功能只是构建高效Agent的第一步。在实际应用中,你可能需要根据具体需求调整记忆组件的类型和参数,或者实现更复杂的记忆管理策略。 始终要注意平衡记忆的深度和Agent的响应速度。
70410编辑于 2025-06-01 - 来自专栏DeepHub IMBA
理解 Agent 记忆：从无状态模型到持久化记忆架构
Agent 记忆遵循相同的逻辑。 Agent 记忆的四种类型 Agent 记忆并非单一概念，它是一个四层体系，各层服务于不同目的。 实际运作机制 有了四种类型的划分，接下来看看 agent 使用记忆时在机制层面到底发生了什么。 写入 会话结束时，或进行中的关键节点，agent（或一个独立的记忆管理进程）判断哪些信息值得保留。 少数更精细的方案借鉴了间隔重复原理：持续被检索的记忆保持活跃，长期未被调用的则逐渐消退。 目前的进展 AI agent 记忆是一个快速发展的领域，有几个名字值得留意。 Mem0 大概是目前应用最广的记忆层方案。它介于 agent 和数据库之间，自动处理写入、检索、遗忘逻辑——接入技术栈后即可管理情景记忆和语义记忆。 记忆是第三块：agent 如何在时间维度上维持自身的连续性。 换个角度理解MCP 处理当下，此刻能访问什么；A2A 处理协作，多个 agent 如何协调；记忆处理过去，从前次交互中留下了什么。
91510编辑于 2026-03-31 Agent记忆治理-从规则文件到长期的记忆系统
二、同项目或跨窗口Agent为什么会记忆不同步第二个问题更容易被低估：同一个项目里，不同窗口、不同Agent的记忆并不会天然同步。 任务完成后，再把有长期价值的信息晋升到项目记忆里。多Agent协作的重点，不是让每个窗口都单独变聪明，而是让它们读取同一份可靠上下文。三、为什么Agent很难拥有长期记忆第三个问题是长期记忆。 真正浪费token的，往往不是“多了一条记忆”，而是Agent每次都从零开始探索。结尾：把Agent记忆当成工程资产AIAgent的下一阶段，不只是模型能力竞争。 就分享一个我最近在使用的优秀开源项目吧https://github.com/mattpocock/skillsTypeScript的创始人MattPocock大神把自己蒸馏了，他把真实软件工程工作流做成可复用的AI 技能配置，解决了vibecoding时AI只写代码、不懂工程的痛点，让ClaudeCode从代码生成器变成了高级工程师助手，具体的详细功能各位使用后就知道了。
10500编辑于 2026-06-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号