- 综合排序
- 最热优先
- 最新优先
- 来自专栏服务端技术杂谈
用文件系统思路设计Agent记忆系统
用户与Agent的多轮对话过程中会出现很多记忆，包括用户原始的意图、诉求、关键词，还包括Agent的推理、规划、工具调用的执行结果及模型最终的响应。 每轮对话背后，都由一个智能体记忆模块会进行会话信息提炼和通用信息整理，不断抽取用户偏好、画像、核心事实、个性化信息等，用于辅助Agent在后续对话中进行推理。 如果哪天底层切换存储组件，Agent层完全不需要感知，切换很灵活。 因为在接口层面做了抽象，所以可以很好的面向功能进行接口涉及，而无需关注这个功能接口究竟是用了一个文件系统还是多个类型的文件系统。 回过头来，我们看一下从用户提出问题，到最终Agent给出回答的整个流程如下。 最终实现类似于操作系统的文件系统能力，让智能体的记忆可追溯（每一步有据可查）、可审计（所有操作都有日志）、可演化（新组件无缝接入），整个Agent的记忆历史都是可以回溯的，而不是黑盒了。
23410编辑于 2026-03-11 Agent 记忆系统的标准方案为何失效剖析
开发者Rohit面试失败后，开始深入研究Agent记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。 Agent忘记了用户是素食者。问题根源：对话历史不是记忆，只是聊天日志。方案二：向量数据库检索两周后，数据库积累了500条记录。用户问"我的工作情况"，向量检索返回12段矛盾片段。 Agent幻觉出错误的综合答案。问题根源：Embedding衡量的是相似性，不是真实性。向量数据库不理解时间、上下文或更新。短期记忆：Checkpointing每个Agent作为状态机运行。 Agent当操作系统，不是聊天机器人：RAM：当前对话的快速易失上下文硬盘：持久化、索引化的知识存储垃圾回收：定期维护，否则系统崩溃总结记忆系统的关键在于：不是存储，而是组织和衰减。 像操作系统管理内存一样管理记忆，Agent才能长期可靠地工作。
14110编辑于 2026-02-122026年Agent记忆系统方案横评与选型指南
2026年Agent记忆系统方案横评与选型指南AI发展正经历从模型时代向智能体时代再向认知时代的跃迁。 伴随这一进程，Agent记忆系统由辅助模块跃升为核心基础设施，承担“让AI记住过去、理解未来”的使命，支撑跨会话、长周期、多任务的连续智能表现。 技术路线全景与阶段跃迁Agent记忆技术沿时间轴铺展为十余条路线，形成全局视图。 OS化记忆中枢：记忆系统成为Agent的操作系统级组件，统一管理多模态、多Agent共享状态。时间图谱深化：引入时间戳与因果边构建事件网络，支撑长周期推理与回溯。 从外挂工具到原生核心，记忆系统正经历从“辅助”到“定义”的蜕变，未来智能体将以持续懂你、跨会话不断线的能力，成为可信赖的第二大脑。
28810编辑于 2026-05-07Hermes Agent 三大核心能力详解：记忆系统、技能引擎与消息网关
但如果要选出最能体现其差异化价值的三个能力，一定是：记忆系统——这是"越用越聪明"的基础技能引擎——这是"自我进化"的实现消息网关——这是"随时可达"的保障核心能力一：三层记忆架构第一层：短期工作记忆（ --##执行步骤1.检查Node.js版本（需要18+）2.Clone项目仓库3.安装依赖`npminstall`4.构建项目`npmrunbuild`5.配置PM2进程管理6.设置Nginx反向代理7. 推荐在腾讯云上部署，仅需三步即可开始使用：第一步：购买云服务器→第二步：一键安装HermesAgent→第三步：接入消息平台，开始使用腾讯云为HermesAgent用户提供专属优惠云服务器方案，最低配置即可流畅运行，7×
1.1K20编辑于 2026-04-15- 来自专栏XINDOO的专栏
Agent设计模式——第 7 章：多 Agent 协作
例如，一个复杂的研究查询可能被分解并分配给研究 Agent 进行信息检索、数据分析 Agent 进行统计处理，以及综合 Agent 生成最终报告。 多 Agent 协作模式概述 多 Agent 协作模式涉及设计系统，其中多个独立或半独立的 Agent 协同工作以实现共同目标。 层次结构： 管理者 Agent 可能根据其工具访问或插件能力动态地将任务委托给工作 Agent，并综合其结果。每个 Agent 还可以处理相关的工具组，而不是单个 Agent 处理所有工具。 创意内容生成： 创建营销活动可能涉及市场研究 Agent、文案撰写 Agent、图形设计 Agent（使用图像生成工具）和社交媒体调度 Agent，所有这些都在一起工作。 最后，生成的图像（或模拟数据）通过 Agent 返回。此架构演示了一个分层 Agent 系统，其中更高级别的 Agent 编排较低级别的专门 Agent 以执行任务。
4K11编辑于 2025-10-27 - 来自专栏DeepHub IMBA
instinct：一个基于置信度的 AI Agent 自学习记忆系统
人去观察模式、记录下来、维护文件，Agent 只负责执行。 其实记忆应当是 Agent 在反复实践中习得的，而非人工分配的。 核心思想：基于置信度的学习 多数 AI Agent 记忆系统采用显式建模，即人写规则、Agent 遵照执行。 Model Context Protocol 是一个将 AI Agent 与外部工具连接的开放标准。 Agent 调用 suggest 时，返回结果同时包含全局模式和当前项目的专属模式。Python 项目的格式化偏好不会渗透到 Go 项目中。 到第五次会话，Agent 对工作流的熟悉程度已经超过一个新加入的团队成员。
15310编辑于 2026-04-15 AI记忆系统对比
一个好的记忆系统，本质上就是一个“抠门且高效的管家”，它能帮你把原本需要几万甚至几十万Token才能说清楚的事情，压缩到几百字。这不仅关乎钱包的厚度，更直接决定了应用的响应速度和用户体验。 以下是为您更新后的终极选型对比表，特别增加了【费用降低效果】列：记忆系统开发团队情况核心范式与特色主打场景/杀手锏费用降低效果(Token/CostSavings)上手难度与集成方式潜在槽点MemoriMemoriLabs SQL原生+全链路归因Agent原生记忆层，将交互自动转结构化持久状态。打造极致的多智能体协同，需要精确追踪“谁在什么时候做了什么”。 解决长尾上下文遗忘难题，需要Agent具备“举一反三”的学习力。高(智能压缩降耗)通过反射机制过滤无效信息，极大减少上下文窗口膨胀带来的边际成本。 端侧设备、极度追求隐私保护、零成本的微型Agent。极高(零额外推理费)纯数学运算，无任何外部LLM依赖，完全杜绝了Embedding和推理的API调用费。
19010编辑于 2026-04-29- 来自专栏Elastic Stack专栏
用 Elasticsearch 给 AI Agent 装一颗大脑：从零构建跨会话记忆系统
这篇文章记录了我如何用 Elasticsearch 的原生能力，给 Agent 装上一套真正能用的长期记忆系统。 Elastic 近期推出的 Agent Builder 和 Workflows 这两个功能，让你不用写一行应用代码，就能把上面所有能力串成一个完整的记忆系统。 用户偏好（"喜欢用 YAML 格式"）存 365 天，任务进展（"上次写到第三章"）存 7 天，各管各的。4.2 创建记忆索引索引的 mapping 是整个方案的骨架。 这意味着整个记忆系统的工具层，零应用代码。5.1 工具一：Save_Memory（写入记忆）这个工具让 AI 在对话过程中，把识别到的高价值信息写入 Elasticsearch。 写在最后我一直觉得，AI Agent 领域最被低估的问题不是"推理能力"，而是"上下文工程"。模型越来越聪明，但如果你喂给它的上下文是垃圾，输出就是垃圾。记忆系统就是上下文工程的核心基础设施。
12511编辑于 2026-04-30 - 来自专栏Vegout
Nanobot 记忆系统深度解析
长期记忆是用户的第二大脑，不是日志" ❌ 不会自动把所有对话都塞进去 ❌ 没有复杂的自动摘要算法 ✅ 依赖 LLM 的推理能力判断"什么值得记住" ✅ 保持简洁，只存真正重要的信息 总结 nanobot 的记忆系统通过分层设计解决了记忆膨胀问题
46910编辑于 2026-03-13 - 来自专栏服务端技术杂谈
智能体记忆系统
比如你是一个素食主义者，但因为智能体记忆缺陷，Agent给你推荐了烤肉，这会降低你对Agent的信任感。 更长的上下文会显著增加大模型的推理延迟，带来高昂的Token成本。 为了解决这一问题，业界开源了Mem0长期记忆系统。 它通过动态的提取、整合、检索对话中的关键信息，赋予了智能体长期记忆的能力。 底座是包含向量数据库和知识图谱架构设计。 这样memory记住的不是原始的对话，而是结构化的事实，让Agent更好掌握对话实质内容。 这些结构化信息将作为后续存储和检索的基础。 向量存储，解决的是语义理解。 最有效的记忆系统会将语义相似性搜索和关系遍历相结合的混合搜索。 当用户问：“其他具有相似风险偏好的客户提出过哪些投资担忧？”
36011编辑于 2026-03-11 - 来自专栏机器之心
400篇参考文献重磅综述，统一调查「人脑×Agent」记忆系统
记忆系统奠定理论基石。 因此，记忆超越了其作为桥接历史交互的被动存储库的角色，而是充当 Agent 认知架构中的关键主动组件。因此，给 Agent 装上记忆系统，并非只是为了记住，而是为了实现三大核心作用： 图 1. 2.Agent 中的记忆存储 不同于人脑浑然天成的神经网络，Agent 的记忆系统是显式的工程构建。 Agent 记忆系统评测 综述将现有的 Benchmark 分为了两类： 面向语义（Semantic-oriented）：重点关注 Agent 如何构建、维护和利用其内部记忆中的信息状态。 面向情景（Episodic-oriented）：旨在评估复杂下游应用场景（使用外部工具完成任务）中 Agent 上记忆系统的实际性能增益。 表 1. 面向语义的基准 表 2.
39910编辑于 2026-01-12 Hermes Agent 持久记忆系统彻底解决上下文丢失
（不仅记得技术栈，还记得历史操作记录）记忆系统的技术细节写入机制记忆不是简单的"保存聊天记录"。 /project-docs/开始体验要充分体验记忆系统的价值，建议持续使用至少一周。在云端部署可以确保Agent持续运行，记忆不断积累。 仅需三步即可开始使用：第一步：购买云服务器→第二步：一键安装HermesAgent→第三步：接入消息平台，开始使用腾讯云为HermesAgent用户提供专属优惠云服务器方案，最低2核4G配置即可流畅运行，7× Q3：如何防止Agent记住不该记住的信息？A：可以在对话中明确告诉Agent"不要记住这个"，也可以在config中配置记忆过滤规则。
66410编辑于 2026-04-16- 来自专栏AI SPPECH
MCP 与长期记忆系统结合
通过分析长期记忆在 Agent 系统中的核心作用，详细阐述 MCP 与向量数据库、知识图谱等记忆系统的集成机制。 ）的一个重要设计目标就是支持与长期记忆系统的深度集成，通过标准化的接口和协议，让 Agent 能够高效地存储、检索和利用长期记忆。 1.3 行业动态与技术趋势 当前，长期记忆系统已成为 AI Agent 领域的研究热点。 五、实际工程意义、潜在风险与局限性分析 5.1 实际工程意义 MCP 与长期记忆系统的结合在实际工程中具有重要意义： 提高 Agent 智能水平：赋予 Agent 持续学习和知识积累的能力，提高其决策质量和适应性 支持复杂任务：长期记忆支持 Agent 处理复杂的多步任务和长期项目 促进知识共享：不同 Agent 之间可以共享记忆资源，促进知识的传播和复用 5.2 潜在风险 尽管 MCP 与长期记忆系统的结合具有诸多优势
38210编辑于 2026-01-08 - 来自专栏运维经验分享
CentOS7 Yum 安装zabbix-agent 3.4
CentOS7 Yum 安装zabbix-agent 3.4 2017-12-28 • CentOS、Monitoring • 评论关闭 CentOS7 Yum 安装zabbix-agent 3.4 RHEL 7, Oracle Linux 7, CentOS 7 快速安装zabbix-agent 3.4 1、安装zabbix yum源 rpm -Uvh http://repo.zabbix.com /zabbix/3.4/rhel/7/x86_64/zabbix-release-3.4-2.el7.noarch.rpm yum install zabbix-agent 2、直接安装zabbix-agent 3.4的rpm包 rpm -Uvh http://repo.zabbix.com/zabbix/3.4/rhel/7/x86_64/zabbix-agent-3.4.5-1.el7.x86_64.rpm 3、启动服务 chkconfig zabbix_agent on;service zabbix_agent start(和自己编译的不太一样service zabbix_agentd start)
1.6K20发布于 2019-08-12 Agent开发入门教程
Agent 编排层：Agent Manager、LangGraph 编排、Agent Factory、FC（Function Calling） 3. 领域能力层：MCP Server、领域 Sub Agent、高阶 Sub Agent 5. 知识与记忆：知识来源、记忆系统（长期/短期） 6. 再接 MCP Agent（复杂交互） 路径：`Top Agent -> 包装工具 -> Sub Agent(LangGraph) -> MCP Server -> 后端服务` 适合：多轮工具调用、 Qwen `2.5`（主力模型） OpenAI API（兼容协议） 检索与数据 ChromaDB `0.4+` OpenAI Embedding `text-embedding-3` Redis `7. 复杂任务：优先 `MCP + Sub Agent + LangGraph`，可扩展多工具编排。 知识问答：优先 `RAG`，配合向量库与记忆系统。
20610编辑于 2026-04-15- 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
简单地扩大上下文窗口反而导致性能下降，必须通过记忆系统来管理什么该进入上下文窗口。 二、短期记忆与长期记忆的区别 人类大脑进化出了分层记忆系统，因为将一切保留在工作记忆中是不可能的。AI同样需要分层记忆架构。 现代AI Agent的记忆系统通常包含多种记忆类型，每种承担不同功能： 3.1 核心记忆类型 记忆类型 功能描述 示例 情景记忆 记录具体交互或环境事件的序列和结果，用于复盘和经验学习 记录用户上次讨论的项目细节 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 ，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
62311编辑于 2026-03-06 AI Agent 记忆机制详解：是什么、为什么、怎么用
简单地扩大上下文窗口反而导致性能下降，必须通过记忆系统来管理什么该进入上下文窗口。 现代AI Agent的记忆系统通常包含多种记忆类型，每种承担不同功能：3.1 核心记忆类型记忆类型功能描述示例情景记忆记录具体交互或环境事件的序列和结果，用于复盘和经验学习记录用户上次讨论的项目细节、记录操作步骤语义记忆存储概念性 ：分解任务并执行子任务Reflect Agent：每个子任务结束后自动评估，成功则提炼为过程记忆，失败则生成诊断并触发重新规划任务完成后：全局回顾，将执行经验升华为更高层次的战略记忆和工具记忆八、伦理与合规考量引入记忆系统也带来了新的治理挑战 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
1.2K11编辑于 2026-03-04- 来自专栏IT不难技术家园
centos7下安装zabbix-agent客户端
Core) 软件版本：zabbix_agentd (daemon) (Zabbix) 5.4.6 下载软件 wget https://repo.zabbix.com/zabbix/5.4/rhel/7/ x86_64/zabbix-agent-5.4.6-1.el7.x86_64.rpm 安装软件包 rpm -ivh zabbix-agent-5.4.6-1.el7.x86_64.rpm 配置 vim Hostname=wlmq-kfq-xjcdn-server-1191 //开启 HostMetadataItem=system.uname 启动 systemctl enable --now zabbix-agent
69120编辑于 2022-03-11 - 来自专栏MixLab科技+设计实验室
Agent的5种级别和7条Anthropic的经验
Agent 的五个级别 Agno 的创始人 Ashpreet Bedi 提出了一个五级框架，为 AI Agent 开发提供清晰路径，从基础工具到高级系统。 Level 4 - 多 Agent 团队：多个专业 Agent 协作，但目前实验性较强。 Level 5 - Agent 系统：集成到异步处理系统中，适合商业应用，但构建困难。 把 Agent 想象成软件组件：无状态的函数是行不通的。 2. 内存是架构 ➜ 你如何管理和传递上下文决定了你的 Agent 有多有用。 现实世界的 Agent 需要现实世界的工具 ➜ Shell 访问，Git，API，工具插件。真正能完成事情的 Agent 使用工具——不仅仅是语言。设计你的 Agent 来执行，而不仅仅是解释。 不要把自主性与混乱混淆 ➜ 自主 Agent 可能会迅速造成损害。定义范围、边界、后备行为。受控的自主性 > 随机重试。 7.
14410编辑于 2026-03-24 - 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
洞察场景记忆系统设计原则与架构权衡：学习可解释性、隔离性、相关性、安全性等核心设计原则，并分析向量数据库、图数据库及混合知识图架构在存储与检索方面的优势与挑战，助力构建稳健、高效的Agent记忆系统。 它将Agent从一个反应式系统提升为一个反思式系统 7。 与简单日志记录的区别：需要强调的是，场景记忆远不止是简单的日志文件。 它将为架构一个稳健且安全的场景记忆系统提供蓝图，然后详细说明该系统如何改变Agent的核心操作循环。 挑战：在没有偏见的情况下确定哪些经验是“重要的”，是一个主要的未解决问题 7。 方法： 选择性存储：过滤场景，只存储新颖或令人意外的经验，或那些带来高回报结果的经验 7。 2.2 优化Agent循环：(情境, 行动, 结果) 本节提供了记忆系统的实际应用，展示了它如何融入Agent的决策周期，以实现学习和适应。
1.4K10编辑于 2025-11-20
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