- 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。 “珍妮丝有一份报告需要在早上 9 点前提交。”这是最动态、最个人化的记忆形式，也是最容易因处理不当而导致上下文污染的一种。在我们的架构中：情景性记忆作为文档存储在 Elasticsearch 中。 Innie 对话（珍妮丝）：珍妮丝：嘿，马克，记得我们明天早上 9 点必须完成年终报告。马克：谢谢你提醒我！
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。 • “珍妮丝有一份报告需要在早上 9 点前提交。” 这是最动态、最个人化的记忆形式，也是最容易因处理不当而导致上下文污染的一种。 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":
14810编辑于 2026-05-11 - 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ *角色定义*：明确AI Agent在企业中的定位和职责 *数据整合*：确保AI Agent能够访问高质量的相关数据 *行动规划*：设计Agent能够执行的具体任务和流程 *反馈机制*：建立持续学习和优化的闭环系统 AI Agent，但未来将是多Agent流程的天下 这一工具代表了从传统工作流自动化向AI增强流程的重要转变，为企业提供了更灵活、更智能的自动化解决方案。 AI Agent时嵌入运行时安全，为AI原生开发提供更可靠的安全保障。 文章提到，代理式AI应用正在兴起，例如德勤的Zora AI Agent和普华永道的Agent OS平台正在重塑内部工作流程。
38810编辑于 2025-09-17 - 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。 长期记忆 被证明有意义或反复加强的信息被编码到长期记忆中。 它被分类为： • 语义记忆： 事实、概念和关系 • 情节记忆： 个人经历和事件 与向量转储不同，这些记忆形成随时间增长的概念图。 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。
32210编辑于 2026-02-28 - 来自专栏圣杰的专栏
.NET+AI | Agent | 人机协作（9）
MAF 审批 Agent 实战 一句话简介 通过 ApprovalRequiredAIFunction 为敏感工具加上人工审批环节，快速构建符合企业合规要求的 MAF 人机协作智能体。 添加审批包装 对高风险函数使用 new ApprovalRequiredAIFunction(innerFunction)，Agent 仍像普通工具一样调用，但框架会在真正执行前抛出审批请求。 3. 将这些消息回传给 Agent，直到没有新的审批请求为止。 4. 创建 Agent var agent = chatClient.CreateAIAgent( instructions: "执行转账前必须获得用户确认", name: "BankAssistant 审批循环 var thread = agent.GetNewThread(); var response = await agent.RunAsync(userRequest, thread); var
27510编辑于 2025-12-28 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。 总结 现代 AI agent 想给出准确且个性化的响应，光靠关键词匹配或孤立的语义相似度是不够的。倒排索引能高效缩小上下文规模，语义检索能保住意图，但两条路都可能漏掉散落在多份知识里的关系。 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。 1.2 Agent记忆体系 Agent 的记忆机制可划分为短期记忆与长期记忆两类，二者协同支撑智能体的连续决策与个性化交互能力。 （高度个性化） 知识来源 结构化 / 非结构化文档（如 PDF、网页、数据库） 用户与 Agent 的对话历史、行为日志等 二、Spring AI 实现记忆的核心组件 Spring AI 提供了很多核心组件实现 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
原创文章，来源于AI技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 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 可复用建议是把记忆分层：事实记忆只保留必要上下文，流程记忆只沉淀经过验证的步骤，所有记忆都要有生命周期、人工管理入口和可观测指标，而不是把所有对话无限期塞进向量库。 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：Ollama、MLX、本地AI、Mac5.ChatGPT个人财务体验：从生活决策入口看AI财务助手的试用边界ChatGPT的“个人财务体验”更像是一次面向普通用户和小团队的产品入口信号，而不是一份可直接照抄的财务自动化方案
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 ，知乎，2025-08 7 使用 Elasticsearch 管理智能体记忆，Elastic，2026-01 8 深入解析AI智能体记忆机制：八大策略与实现方案，华为云社区，2025-08 9 Anthropic
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。 它在功能上类似于一种短期或工作记忆 10。 无状态特性：LLM本质上是无状态的。它们不会在两次交互之间保留记忆；每次新的对话回合，所有相关的历史记录都必须被重新传入上下文窗口 9。 局限性： 固定大小：上下文窗口存在硬性限制（例如，从4k到2M令牌不等）9。超出此限制的信息将会丢失，通常是通过截断对话中最旧的部分来实现 9。 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 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？ ，知乎，2025-08 [7] 使用 Elasticsearch 管理智能体记忆，Elastic，2026-01 [8] 深入解析AI智能体记忆机制：八大策略与实现方案，华为云社区，2025-08 [9
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 比如做金融智能分析Agent，要跨系统调用半年前的客户交易数据，还要在多轮推理里保持逻辑连贯，传统方案要么只能处理单文件，要么上下文一多就“断片”，分析师得手动把历史线索粘来粘去，效率低还容易错。 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 底层针对Windows/macOS深度优化，我在QClaw上装了个“记忆回溯”技能小程序，双击就能用，Agent在PC端记的用户偏好，手机端打开ClawPro接着聊，完全没断层。 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
我是术哥，一名专注于 AI 编程、AI 智能体、Agent Skills、MCP、云原生、Milvus 向量数据库的技术实践者与开源布道者！ Talk is cheap, let's explore。 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... 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。 Hermes Agent 的三层记忆体系会话记忆：维持当前任务连续。类比：工作记忆。关键作用：不让当前任务掉线。持久记忆：保存用户偏好和项目事实。类比：长期记忆。 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？
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。 这不仅能提高Agent的性能,还能使其在多轮对话中保持上下文连贯性。本文将详细介绍如何在Langchain框架中为Agent添加记忆功能,并深入解析每个步骤的原理和最佳实践。 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。 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
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