AI工程师必读：七种智能体记忆类型技术指南

大型语言模型（LLM）默认是无状态的。每次API调用都从零开始，模型在返回响应后会忘记你的上一条消息。对于单个问题这没问题，但当你构建智能体时，这种设计就失效了。智能体需要规划、调用工具并在多个步骤中运行，它们必须记住信息。记忆正是解决这一问题的基础设施，它将无状态模型转变为能够保留上下文、从经验中学习并随时间行动的系统。

什么是智能体记忆？记忆是任何能在模型推理过程中传递信息的机制。部分记忆存在于上下文窗口内，部分存在于外部数据库或模型权重中。每种类型针对不同类别的信息以不同时长进行存储。记忆按形式（参数化：存储在权重中；非参数化：存储为文本）和时标（短期或长期）进行分类。下面介绍的七种类型恰好映射到这两个轴上。

七种智能体记忆类型：

1. 上下文/工作记忆（短期）：模型当前在其上下文窗口内能看到的所有内容，包括系统提示、最近消息、工具输出和推理步骤。它相当于RAM，快速且必要，但暂时且容量有限。其他每种记忆类型都在争夺这里的空间。
2. 语义记忆（长期）：持久存储事实、偏好和领域知识。例如“用户更喜欢Python而非JavaScript”。这些知识与学习时间无关，是智能体关于用户或话题的有组织的百科全书。
3. 情节记忆（长期）：记录特定过去事件、完整对话和任务运行。记录什么有效、什么失败。智能体用它从经验中学习，如Reflexion和ExpeL系统会撰写事后总结并存储结论供未来使用。
4. 程序记忆（长期）：智能体关于如何做事情的知识，涵盖技能、工具使用模式、工作流程和行为规则。处理第一百次密码重置的支持智能体不会重新推理工作流，而是执行已学会的程序。
5. 外部/检索记忆（短期+长期）：存储在模型外部的向量数据库中的知识，在推理时通过相似性搜索拉入上下文。这是将RAG应用于智能体历史或文档的方式。检索质量很快成为瓶颈。
6. 参数记忆（长期）：在训练期间直接嵌入模型权重的知识，包含语言、推理模式和通用世界知识。模型不进行查找，而是从学习到的关联中生成。其缺点是训练后冻结。
7. 前瞻记忆（短期+长期）：智能体记住未来意图和计划目标的能力，跟踪已计划但尚未执行的任务。对于长周期和多步规划智能体至关重要，否则智能体将忘记自己的承诺。

对比：这七种记忆在时标、位置和典型实现上各有不同。下表展示了每种类型的映射（此处描述，原文有表）：工作记忆位于上下文窗口，短期，存储提示、消息、工具输出；语义记忆在外部存储，长期，存储事实偏好；情节记忆在外部存储，长期，存储事件日志；程序记忆在提示或权重中，长期，存储技能规则；检索记忆在向量数据库，两者兼有，存储文档；参数记忆在模型权重，长期，存储世界知识；前瞻记忆在状态存储，两者兼有，存储未来意图。

使用场景：每种记忆解决具体产品需求。编码助手在单个会话中使用工作记忆；个人助手需要语义记忆记住用户偏好；研究智能体需要情节记忆改进；旅行预订智能体需要程序记忆掌握流程；文档聊天机器人需要检索记忆；长期项目智能体需要前瞻记忆。一个综合性例子：自治市场分析智能体同时使用所有七种记忆——参数记忆提供基础推理，检索记忆拉取市场数据，语义记忆提供用户格式偏好，情节记忆回忆可靠来源，程序记忆驱动章节顺序，前瞻记忆安排后续任务，工作记忆将所有内容组装到活动上下文。

实现：下面是一个最小记忆栈的Python草图（文中提供了代码示例，此处简述）。在实际生产中，长期存储会迁移到向量数据库，但模式保持不变：写入长期记忆，检索到工作记忆，然后进行推理。

如何分层：不要一次性构建所有七种。从工作记忆开始，添加语义记忆以满足跨会话记住用户的需求，之后根据需求逐步加入情节、程序和前瞻记忆。参数记忆和检索记忆通常已经存在（基础模型和RAG）。

参考文献：CoALA框架（arXiv:2309.02427）、AI时代记忆调查（arXiv:2512.13564）、从人类记忆到AI记忆调查（arXiv:2504.15965）、LangChain LangMem、MongoDB、Redis、Neo4j智能体记忆文档。