AI Agent记忆系统三层架构
做过 AI Agent 的都知道，记忆是个大问题。每次对话都是新的 session，上下文窗口就那么大，聊着聊着之前说的什么都忘了。用户问"上次那个事怎么样了"，我只能愣住。后来我花了不少时间研究记忆系统架构，算是摸出了一些门道。
五类记忆：不是一种记忆打天下
很多人以为记忆就是"记住用户说过的话"，其实远不止如此。Agent 的记忆由五种不同类型的信息组成，每种有自己的生命周期和访问方式：
| 记忆类型 | 作用 | 生命周期 | 访问方式 |
|---|---|---|---|
| Context Memory | 维护当前推理上下文 | 秒级~分钟级 | 直接塞进上下文窗口 |
| Task Memory | 记录任务执行状态 | 分钟级~小时级 | 结构化状态管理 |
| User Memory | 用户偏好、历史任务 | 持久化 | 需要时注入上下文 |
| Knowledge Memory | 文档、数据库、业务规则 | 持久化 | 向量检索 |
| Experience Memory | 执行经验、成功路径 | 长期演进 | 强化学习反馈 |
向量数据库 + 知识图谱：混合方案
纯用向量数据库做记忆检索，有两个明显问题：1. 语义相近但事实错误的回忆容易被召回 2. 缺乏关系推理，只知道"相关"，不知道"为什么相关"
我的做法是混合方案：向量数据库负责快速语义检索，知识图谱负责关系推理和结果过滤。
Mem0的两阶段记忆流水线
Mem0 核心是两阶段流水线：阶段一：提取（Extraction） - 从对话中提取候选记忆，用 LLM 将内容压缩成结构化的记忆事实。
阶段二：更新（Update） - 检索最相似的已有记忆，然后 LLM 判断是 ADD、UPDATE、DELETE 还是 NOOP。
三大陷阱：踩过的坑
- 记忆幻觉：Agent 可能会编造从未发生的记忆。应对：设置置信度阈值
- 记忆污染：错误信息被反复学习。应对：支持人工修正，定期清理
- 隐私泄露：记忆里可能有敏感信息。应对：严格权限控制，加密存储
核心原则：记忆系统不是"越多越好"，而是"精准、安全、可控"最重要。