- 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。
23710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。
30210编辑于 2026-05-07- 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 *求职者Agent*：帮助求职者找到合适的工作机会 *招聘方Agent*：协助雇主筛选高质量候选人 其中，名为"Career Scout"的AI Agent能够为求职者提供个性化推荐，根据用户简历和偏好自动匹配职位 报告指出，这些系统不同于标准聊天机器人，它们能够自主行动、执行任务，并使用Model Context Protocol (MCP)和Agent-to-Agent (A2A)等协议与其他数字Agent协作 真正的Agent力量来自于它们相互连接、访问企业数据以及与执行工作的系统交互的能力。一个无法与其他Agent、工具和应用对话的Agent只是一个孤岛。
35010编辑于 2025-09-17 Hermes 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（
1.1K20编辑于 2026-04-15- 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
23110编辑于 2025-12-28 - 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。 Confidence 1-4: raw (observed, not actionable) Confidence 5-9: mature (ready to suggest) Model Context Protocol 是一个将 AI Agent 与外部工具连接的开放标准。 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。
19110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。 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。 六、串联起来：Agent 如何使用记忆配置好工具后，在 Agent Builder 中把这两个工具分配给你的 Agent，再在 system prompt 里加上记忆管理的指令。 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。
12611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XINDOO的专栏
Agent设计模式——第 9 章：学习和适应
学习和适应对于增强人工智能 Agent 的能力至关重要。这些过程使 Agent 能够超越预定义参数进行演化，通过经验和环境交互实现自主改进。 Agent 基于学习结果改变策略、理解或目标来实现适应。这对于在不可预测、变化或新环境中的 Agent 至关重要。 Agent 的学习的重要进展，展示了 Agent 修改自身源代码的能力。 如前所述，该系统采用模块化架构构建，包含多个子 Agent，如编码 Agent、问题解决 Agent 和推理 Agent。 我们已经回顾了 Agent AI 的基本组成部分，包括架构、应用、规划、多 Agent 协作、内存管理以及学习和适应。学习原理对于多 Agent 系统中的协调改进特别重要。
43410编辑于 2025-10-27 - 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. 特征：容量非常有限（通常只能容纳 4～9 个单位的信息）。 长期记忆（Long-term Memory）： 定义：大脑的永久档案馆。它可以存储从几分钟到几十年的信息。 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。
40310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。 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。
66910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。 0.7890 相关性评分: 0.8234 记忆 4: 北京今天的空气质量指数：优，PM2.5 浓度 20μg/m³ 相似度: 0.7567 相关性评分: 0.7890 记忆 5: 北京旅游最佳季节：秋季（9- 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
38210编辑于 2026-01-08 - 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 - 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。 计算成本：更大的上下文窗口需要显著更多的计算资源，这导致在上下文长度、成本和延迟之间存在权衡 9。 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。 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 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- 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(9) - 人机协同
ChatModel.class); 7 RagProvider ragProvider = context.getBean("ragProvider", RagProvider.class); 8 9 nextLine() 指定为终端控制台输入（也可以根据需要，换成其它方式，比如：读数据库，调用接口从其它系统获取） 67-71行，则是根据人工指令做出的响应（即前面学过过的条件工作流)，如果输入H，则执行下面的Agent 1 public class HoldOnAssist { 2 3 @Agent(description = "招聘流程暂缓") 4 public void abort() { 5 8 " 9 } 10 11 AI招聘助手建议: **招聘理由汇总：** 12 13 **优势：** 技术能力强，文化契合度良好，学习能力佳 14 15 **风险：** 缺乏React经验，薪资略超预算 /agentic_turoial_with_langchain4j 参考： Building Effective AI Agents \ Anthropic [译] AI Workflow & AI Agent
22210编辑于 2026-02-01 帮人搭建 OpenClaw多Agent，7小时踩了9个坑
结果花了7个小时，踩了9个坑。 先说结论：如果你正在使用OpenClaw，或者打算用，这篇文章能帮你省下至少7个小时的排错时间。 不吹不黑，纯记录。 坑 1：API Key 直接发出来，裸奔了。 因为朋友想要本地的OpenClaw可以控制远程的OpenClaw，这种叫做A2A，全称Agent To Agent。OpenClaw官方还不支持，只有插件支持。 坑 6：模型能不能用，除了名字还得看权限 离谱程度：⭐⭐ 到此为止，朋友的4个Agent都能跑起来了，但有一个模型怎么改都死活不回消息。 坑 9：升级版本之后全挂了回退不了 离谱程度：⭐⭐⭐⭐⭐ 本来事情到上面就结束了，结果第二天朋友打开电脑，发现本地UI提示更新版本，顺手点了一下更新。 然后本地UI没反应了，5个机器人也都挂了。 坑踩到这里就结束了，后来我想了想，这7个小时、9个大坑的洗礼，其实并不是无意义的内耗，本质上是新技术普及的必然代价。
31110编辑于 2026-04-21
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