AI工程師必讀：七種智能體記憶類型技術指南

大型語言模型（LLM）默認是無狀態的。每次API調用都從零開始，模型在返回響應後會忘記你的上一條消息。對於單個問題這沒問題，但當你構建智能體時，這種設計就失效了。智能體需要規劃、調用工具並在多個步驟中運行，它們必須記住信息。記憶正是解決這一問題的基礎設施，它將無狀態模型轉變為能夠保留上下文、從經驗中學習並隨時間行動的系統。

什麼是智能體記憶？記憶是任何能在模型推理過程中傳遞信息的機制。部分記憶存在於上下文窗口內，部分存在於外部數據庫或模型權重中。每種類型針對不同類別的信息以不同時長進行存儲。記憶按形式（參數化：存儲在權重中；非參數化：存儲為文本）和時標（短期或長期）進行分類。下面介紹的七種類型恰好映射到這兩個軸上。

七種智能體記憶類型：

1. 上下文/工作記憶（短期）：模型當前在其上下文窗口內能看到的所有內容，包括系統提示、最近消息、工具輸出和推理步驟。它相當於RAM，快速且必要，但暫時且容量有限。其他每種記憶類型都在爭奪這裏的空間。
2. 語義記憶（長期）：持久存儲事實、偏好和領域知識。例如“用户更喜歡Python而非JavaScript”。這些知識與學習時間無關，是智能體關於用户或話題的有組織的百科全書。
3. 情節記憶（長期）：記錄特定過去事件、完整對話和任務運行。記錄什麼有效、什麼失敗。智能體用它從經驗中學習，如Reflexion和ExpeL系統會撰寫事後總結並存儲結論供未來使用。
4. 程序記憶（長期）：智能體關於如何做事情的知識，涵蓋技能、工具使用模式、工作流程和行為規則。處理第一百次密碼重置的支持智能體不會重新推理工作流，而是執行已學會的程序。
5. 外部/檢索記憶（短期+長期）：存儲在模型外部的向量數據庫中的知識，在推理時通過相似性搜索拉入上下文。這是將RAG應用於智能體歷史或文檔的方式。檢索質量很快成為瓶頸。
6. 參數記憶（長期）：在訓練期間直接嵌入模型權重的知識，包含語言、推理模式和通用世界知識。模型不進行查找，而是從學習到的關聯中生成。其缺點是訓練後凍結。
7. 前瞻記憶（短期+長期）：智能體記住未來意圖和計劃目標的能力，跟蹤已計劃但尚未執行的任務。對於長週期和多步規劃智能體至關重要，否則智能體將忘記自己的承諾。

對比：這七種記憶在時標、位置和典型實現上各有不同。下表展示了每種類型的映射（此處描述，原文有表）：工作記憶位於上下文窗口，短期，存儲提示、消息、工具輸出；語義記憶在外部存儲，長期，存儲事實偏好；情節記憶在外部存儲，長期，存儲事件日誌；程序記憶在提示或權重中，長期，存儲技能規則；檢索記憶在向量數據庫，兩者兼有，存儲文檔；參數記憶在模型權重，長期，存儲世界知識；前瞻記憶在狀態存儲，兩者兼有，存儲未來意圖。

使用場景：每種記憶解決具體產品需求。編碼助手在單個會話中使用工作記憶；個人助手需要語義記憶記住用户偏好；研究智能體需要情節記憶改進；旅行預訂智能體需要程序記憶掌握流程；文檔聊天機器人需要檢索記憶；長期項目智能體需要前瞻記憶。一個綜合性例子：自治市場分析智能體同時使用所有七種記憶——參數記憶提供基礎推理，檢索記憶拉取市場數據，語義記憶提供用户格式偏好，情節記憶回憶可靠來源，程序記憶驅動章節順序，前瞻記憶安排後續任務，工作記憶將所有內容組裝到活動上下文。

實現：下面是一個最小記憶棧的Python草圖（文中提供了代碼示例，此處簡述）。在實際生產中，長期存儲會遷移到向量數據庫，但模式保持不變：寫入長期記憶，檢索到工作記憶，然後進行推理。

如何分層：不要一次性構建所有七種。從工作記憶開始，添加語義記憶以滿足跨會話記住用户的需求，之後根據需求逐步加入情節、程序和前瞻記憶。參數記憶和檢索記憶通常已經存在（基礎模型和RAG）。

參考文獻：CoALA框架（arXiv:2309.02427）、AI時代記憶調查（arXiv:2512.13564）、從人類記憶到AI記憶調查（arXiv:2504.15965）、LangChain LangMem、MongoDB、Redis、Neo4j智能體記憶文檔。