每一次 LLM 调用都是无状态的。模型读上下文窗口，生成响应然后忘掉一切。这对单轮问答没问题。对下列任何一类 Agent，这都是致命的：
- 保持连续性——"我昨天刚跟人说过这件事，为什么还要再解释一遍？"
- 从交互中学习——Agent 应当知道这个用户的账户、历史问题、首选语言
- 积累组织知识——哪些解决路径能关闭工单，哪些意图预示升级
- 从崩溃中恢复——一个外呼 20 万通电话的批处理 Agent，失败后必须从呼叫者 #87,431 续上，而不是重启
我们的第一反应是把整段对话塞进上下文窗口，但是在生产环境中会出现问题：
1成本上满上下文在 LOCOMO 上能拿到 72.9% 的准确率，代价是 p95 延迟 17.12 秒、token 开销翻 14 倍，实时场景根本用不了；质量上窗口越满模型对早先指令的注意力越低，埋在中间的细节开始被忽略，这是长上下文 LLM 一个被反复记录过的弱点；还有误差累积，Databricks 2026 年 4 月的研究发现，Agent 会引用之前运行里错误的输出，再以更高的信心复用，没有策展的记忆会把一次性错误固化成永久谎言。
下图的橙色线是 Agent 需要记住的内容，蓝色线是记忆系统实际交付的内容。两者之间的裂缝正是生产级 Agent 失效的地方；裂缝在收窄但没有合上。
所以我们可以抽取重要的部分，加以整合存到合适的后端，按需智能检索并主动遗忘陈旧内容。拿几个准确率点换来 12 倍的延迟下降和 10 倍的成本下降，这种取舍就是 demo 与能摆到付费用户面前的系统之间的分界线。
把这 10 倍成本差距落到具体数字上：一个中等规模 SaaS，每月 1000 万次 Agent 调用，若走满上下文仅 LLM token 就大约要花 100 万美元（按每次调用约 26K token，GPT-5 混合价估算）；同样的工作负载换成选择性记忆会降到约 10 万美元。这是"业务可行"与"成本曲线在用户到场前就杀死产品"之间的差别。
Agent 记忆的四种类型
《Memory in the Age of AI Agents》中提到了标准分类法：框架本身更早由 CoALA 论文（TMLR 2024）形式化；那篇论文显示给 GPT-3.5 加一层认知架构，可以把编码基准的成绩从 48% 拉到 95%。人类记忆不是单一的类型，Agent 记忆也不该是。
四种记忆类型，各自有独立的后端、生命周期与失效模式。
工作记忆——Agent 当前正在思考的东西。
- 存放什么：当前对话、工具结果、中间推理
- 存在哪里：上下文窗口内部，也就是 prompt 本身
- 生命周期：仅限当前会话
- 典型失效：窗口填满，模型跟丢更早的指令
情景记忆——Agent 的过往交互日记。
- 存放什么：过往具体会话的记录，带时间戳、参与者、结果
- 存在哪里：带元数据的向量数据库（Qdrant、Pinecone、pgvector）
- 生命周期：数周到数月，带衰减
- 典型失效：检索到不相关的旧情景、时间混淆
语义记忆——从原始素材里蒸馏出的事实。
- 存放什么：用户偏好、实体关系、从原始情景抽象出的可复用知识
- 存在哪里：向量数据库、知识图谱（Neo4j、Apache AGE）或混合
- 生命周期：持久化，带冲突解决
- 典型失效：事实过时、条目相互矛盾、随着陈旧信息堆积渐进腐化
过程记忆——学到的行为与规则。
- 存放什么：工作流、决策规则、系统 prompt、few-shot 示例
- 存在哪里：配置文件、prompt 模板、带版本的存储
- 生命周期：持久化，带版本
- 典型失效：政策变了，过程还留在旧版本，没人去更新
它们是协同的不是独立的。
一个真实的 Agent 会同时用上全部四种：工作记忆承载对话；情景记忆召回相关的过往会话；语义记忆加载用户画像与偏好；过程记忆挑出正确的工作流。并非每个框架都覆盖全部类型——情景记忆是基本盘，语义图谱在 2025 年到位，过程记忆仍在前沿地带，目前只有 LangMem 和 Mem0 v1.0 支持自改进工作流。
五阶段记忆
研究界与生产框架都是使用的这个五阶段形态的方法，每个阶段都在解决上一阶段制造出的问题；跳过任何一步，只会出现不同的问题——原始噪声、矛盾、延迟、时间漂移，或者无声的腐化。
五阶段记忆流水线——每个生产框架都实现了它的某种变体。
- 阶段 1 抽取：把原始对话转成结构化记忆记录
- 阶段 2 整合：去重、合并，并与已有记忆解决冲突
- 阶段 3 存储：把每种记忆类型路由到最合适的后端
- 阶段 4 检索：让 Agent 按需拉取记忆，而不是每轮都拉
- 阶段 5 遗忘：主动衰减、归档、裁剪，防止存储腐烂
阶段 1 抽取：从对话到结构化知识
抽取把每一条陈述归入五个桶之一——被说出口的内容大多是噪声。
一个 LLM 读取对话，把每一条信息归入类型化记录：事实、偏好、事件、过程。每条记录带四个属性：置信度分数（0.0–1.0）、关联实体（用于图谱构建）、时间戳，以及来源——是用户直接说的、Agent 推断的，还是工具返回的？
AWS AgentCore Memory 带三种内置策略（semantic、preferences、summary），并行运行。
何时抽取，同步还是异步？
- 同步（每轮）——轻量事实检测，每轮增加 100–300ms，只对高价值抽取使用
- 异步（会话后）——深度整合、情景摘要、图谱更新；对对话内延迟零影响
- 计划（cron）——矛盾扫描、衰减周期、索引重建，非高峰批处理
- Mem0 v1.0.0 把
async_mode=True 设成默认；同步写入会阻塞响应流水线，增加用户能感觉到的延迟 - AWS AgentCore 报告抽取在会话结束后 20–40 秒内完成
阶段 2 整合：真正难的部分
新记忆经常会和已存内容重复或冲突。整合正是把生产级记忆和朴素 append-only 存储分开的那一环。
每条新记忆都会被归类为 ADD、NOOP、UPDATE 或 CONFLICT——最后这种最难处理。
对每条从会话里抽出的新记忆，整合跑三步。
先在同一用户、同一类型下搜索已存的最接近匹配（余弦相似度，阈值约 0.82，Mem0 就这么做的）。接着由一个 LLM 判定关系：
- ADD——独立的新信息，单独存储
- NOOP——冗余，跳过并提升访问计数
- UPDATE——扩展或取代，合并并把旧记忆标为
SUPERSEDED - CONFLICT——与已有记忆矛盾，创建一个时间感知的摘要，同时保留新旧两个版本
最后写审计轨迹。过时的记忆标为
SUPERSEDED
，从不删除——你需要追踪系统在何时相信了什么。
冲突解决是团队最常弄错的地方。千万不要直接覆盖，那会抹掉历史，把系统变得不可审计。AWS AgentCore 把过时记忆标为
INVALID
而不是删除；Zep 的 Graphiti 开创了双时态建模——每个事实带两个时间戳，一个是它在世界中成立的时间，另一个是 Agent 获知它的时间。
阶段 3 存储：类型化的数据需要类型化的后端
把所有记忆类型塞进同一个向量数据库这是团队最常犯的错，不同的记忆类型需要不同的存储。
四种后端对应四种记忆类型，并行 fan-out——总预算在 200ms 以内。
四种后端，四项分工。
- 结构化状态（Redis / PostgreSQL JSON）——稳定画像与活跃状态，精确 key-value 查找，小于 5ms，零检索噪声
- 向量存储（Qdrant、Pinecone、pgvector）——需要模糊匹配的语义事实与情景，带元数据过滤的相似度搜索，小于 50ms
- 知识图谱（Neo4j、Apache AGE、FalkorDB）——需要多跳遍历的实体关系，小于 100ms；Zep 的 Graphiti 在 DMR 上拿到 94.8%
- 元数据存储（PostgreSQL）——时间戳、来源追踪、访问计数、审计轨迹
架构原则：查询要并行 fan-out 而不是串行，检索总预算应保持在 200ms 以内。AWS AgentCore 报告语义搜索端到端约 200ms。
阶段 4 检索：把记忆当工具，而不是流水线里的一步
最常见的成本兼质量反模式是每轮都自动检索一遍；生产里通行的做法是 memory-as-a-tool。
Agent 自己决定什么时候召回，而不是 orchestrator这样可以在不需要记忆的那些轮次里每轮省下 200–500ms。
给 Agent 一个显式函数，让它按需搜索记忆。召回的时机由 Agent 掌握不归 orchestrator 管。Mem0 的选择性方案中位搜索延迟 0.20 秒、准确率 66.9%，对比标准 RAG 的 0.70 秒却只有 61.0%。
memory-as-a-tool 有两种风格。
- 被动检索（Mem0 风格）——系统在后台自动抽取与存储，Agent 按需调用搜索工具；框架无关，能和 LangChain、CrewAI、AutoGen、Mastra 配合，稳定且 token 高效
- 自编辑式（Letta 风格）——Agent 用显式函数调用（
core_memory_append、archival_memory_search）管理自己的记忆，上下文窗口充当 RAM，archival 充当磁盘；适应性更强，但每次记忆决策都要额外 token。截至 2026 年 3 月，Letta 已支持 git 支撑的记忆、skills 和 subagents
阶段 5 遗忘：没人会优先做的那件事
记忆应当是一种导向机制，而不是囤积者的阁楼。
完整的记忆生命周期——从摄入、活跃使用，到衰减、归档、删除。
多数团队上线时只有存储路径没有删除路径。这样在一定时间以后就会检索变慢，无关事实开始主导结果，Agent 运行越久反而越糟。如果你说不清什么会被删除、何时删除、为什么删除，那你拥有的是内存泄漏，不是记忆系统。
三种遗忘机制必须同时工作：基于时间的衰减用指数函数压低更老、更少访问的记忆的检索分数，典型半衰期约 70 天，不删除，只是降低浮现概率；基于 TTL 的归档把 90 天（事件）或 180 天（事实）内未访问的记忆挪进冷存储，仍可显式查询，但默认检索不会碰；矛盾扫描则周期性扫描冲突的活跃记忆并触发整合——少了这一环，Agent 会卡在过时偏好和当前偏好之间。
流水线告诉你每个记忆系统要做什么；设计模式告诉你怎么按具体用例把它组装起来。
四种可行的设计模式
在生产里频繁出现、值得被命名的流水线编排方式有四种。它们沿三条轴有所不同：Agent 自行管理记忆的程度、存储多少历史、检索粒度要多细。
经验法则：从模式 2（结构化状态 + 向量搜索）开始，它能解决 80% 的用例；只在需求清楚要求时再往上加复杂度。
决策树：挑选满足需求的最低复杂度模式。没有明确证据就别越过模式 2。
模式 1 分层记忆（Letta / MemGPT）
核心思路是把上下文窗口当作快而有限的存储，把外部数据库当作大容量、可搜索的存储。Agent 通过函数调用在两者之间搬运事实。
Agent 通过显式函数调用，把事实在 core（类 RAM）和 archival（类磁盘）之间挪动。
core memory 约 500 token 常驻上下文，archival memory 按需搜索；大约 10–15% 的 token 预算会花在记忆管理本身。这类方案适合长期陪伴、心理疗愈机器人、长时间运行的编码助手，代价是明显的架构锁定。
模式 2 结构化状态 + 语义搜索（80/20 法则）
JSON/Redis 负责需要的 80%（零延迟、完美准确率），向量搜索则负责剩下那 20% 需要模糊匹配的部分。
对需要精确事实的 80% 查询用结构化状态，对需要模糊匹配的 20% 回退到向量搜索。
他的优势是没有嵌入质量的问题，存进去什么事实，取出来就是什么事实。几乎所有项目都可以拿它打底，代价是要预先做好显式的 schema 设计。
模式 3 图谱记忆（Zep / Graphiti）
实体作为节点，关系作为边，沿连接链前进。
事实是带有效期窗口的边——旧偏好仍可查询，但被标记为 SUPERSEDED。
Zep 在 DMR 上拿到 94.8%；在 LongMemEval 上 63.8% vs Mem0 的 49.0%，15 个点的差距来自双时态架构。它适合企业知识与合规繁重的工作流；代价是运维复杂度明显更高。
模式 4 检查点记忆（崩溃恢复）
在每次重要动作后落一个状态检查点。
三层：原始日志、当前状态、策展过的经验教训；崩溃后读取状态记忆，从上个检查点续跑。
三层分别是 operational（原始事件日志）、state（当前任务）、long-term（策展过的经验教训）。批处理、CI/CD、无人值守自动化都适用；代价是写密集，需要快速持久化的存储（Redis AOF、DynamoDB）。
选对模式是成功的一半；另一半是知道无论用哪种模式，只要不够小心，都会悄悄潜进来的那批反模式。
生产常见的六个问题
失效的记忆系统，失效原因总跑不出六条；而且它们并不独立，你往往一次上线就顺手带出两三个。六者都能追溯到同一个错误：把记忆当成一个无脑的写入-搜索桶，而不是策展的、时间感知的、来源可追踪的系统。
这六个归为三族：保留太多——囤积者、单体、吸血鬼，让系统膨胀到检索比不检索还吵；信错了对象——时间旅行者、回音室，悄悄污染输出；从不闭环——失忆循环，让你之前搭的一切都打了水漂。
下面每节都用同一套骨架：症状、根因、修复。
1、囤积者（从不遗忘）
向量存储无限增长：跑过 1 万个会话之后，检索会把数月前的矛盾事实和昨天的更新混在一起一并返回。
没有 TTL、没有衰减——存储永远膨胀，检索返回来自数月前的矛盾。
根因是没有衰减、没有 TTL、没有计划中的矛盾扫描。Databricks 的真实案例里，Agent 会随时间以越来越高的信心引用先前运行里错误的输出。修复路径是 TTL 归档 + 近因衰减 + 定期矛盾扫描；上线前就把删除路径设计好。
2、吸血鬼（每轮自动检索）
每一轮都多 200–500ms 延迟、500+ 无关 token。
不管这一轮要不要历史，每轮都触发检索——延迟和成本一起堆起来。
根因是"以防万一"式检索：一股脑全拉进来，让模型自己分拣。它为什么比没记忆还糟？因为无关记忆会主动误导模型。修复就是 memory-as-a-tool——参见 Mem0 的选择性做法：由 Agent 自己决定何时召回；主动检索上限控制在 500 token 以内。
3、单体（所有东西堆一个库）
一次查询返回一堆杂糅在一起、互不相干的记忆类型。
所有记忆类型都倒进同一个存储——检索到的是一锅无关内容的大杂烩。
根因是所有类型都堆进单一数据库、没有分隔。修复办法是按类型拆存储、用独立 schema；只要 schema 在逻辑上分开，用一个 PostgreSQL 也行。
4、时间旅行者（没有时间感知）
Agent 按一个已经不再成立的旧偏好在行动。
相似度搜索按内容而非近因挑最接近的匹配——旧事实把新事实压了下去。
根因是相似度搜索按内容找最接近的条目，不看近因。有证据在：带图谱记忆的 Mem0 在时间类任务上拿到 58.13%，OpenAI 只有 21.71%；把差距拉平的关键正是时间戳和图谱边。修复办法是给每条记忆同时存
created_at
和
valid_until
，给近期记忆更高权重，对冲突建时间感知摘要而不是覆盖。
5、回音室（跨 Agent 污染）
Agent B 按 Agent A 幻觉出来的"事实"在行动；幻觉就这样变成了 ground truth。
没有来源标签，一个 Agent 的推断会被下一个读到它的 Agent 当成 ground truth。
根因是从没追踪一条记忆到底从哪儿来。HaluMem 基准（2026 年 1 月）显示，每个受测的商业系统（Mem0、Memobase、MemOS、SuperMemory、Zep）都会在记忆操作中产生幻觉；中等上下文下，QA 幻觉率超过 19%。修复路径是给每条记忆贴上来源与置信度标签，并确立信任层级——用户陈述 > 工具返回 > Agent 推断。
6、失忆循环（检索-遗忘-检索）
Agent 反复检索同一批记忆却从不吸收它们，token 成本螺旋上升。
同一条记忆被反复检索，因为系统从来没记录它已经被应用过。
根因是记忆被塞进 prompt、却没被标为"已应用"。修复：在每条记忆上追踪"已应用于会话 X"的状态，同一会话内跳过重复检索。
完整的生产架构示例
示例的场景是一名客户打进客服线路。语音 Agent 必须按姓名问候来电者，并带上相关上下文——过往工单、账户状态、首选语言——响应预算 200ms 以内，对话才自然。没有记忆，来电者要把一切重讲一遍；有了记忆，Agent 从工单中途接手，30 秒搞定，而不是 5 分钟。
语音为什么是最复杂的的记忆场景？200ms 响应预算是人类对话延迟的底线，一旦超过来电者会以为 Agent 卡顿了——Salesforce 的 VoiceAgentRAG 研究就把这一点当作不可谈判的设计约束。电话里没有回滚，来电者没法重新阅读自己说过的话；Agent 忘了，对话就得重来。输入是流式的，来电者 ID 一匹配，检索就可以启动，不必等他说完句子。
单次向量数据库查询本身就要 50–300ms——那是全部预算。生产架构会再压上一层语义缓存（亚毫秒）和预测性预取，才把整体拉回线以下。
记忆层位于 Agent 与存储之间——不在 Agent 内，也不在存储内；这个分离是最关键的单一架构选择。
电话与语音 I/O 自成一层，Twilio 换成 LiveKit 不必动 Agent，Deepgram 换成 AssemblyAI 不必动记忆。记忆层独立于 Agent 运行时，同一层记忆可以服务销售、客服、引导多个 Agent，不必重复检索逻辑。存储是类型化而非单体的：Redis 存状态、Qdrant 存向量、Neo4j 存实体、PostgreSQL 存审计；AWS AgentCore 报告并行 fan-out 时端到端约 200ms。可观测性本身是一层，不是事后补丁——仪表板上没有 p95 检索延迟、缓存命中率、记忆精确度，就调不了上一节那堆失效模式。
运行时分三个区。
- Fast Path 必须在 200ms 内走完——缓存命中、LLM 推理、TTS；任何更慢的环节都要从这个区踢出去
- Slow Thinker 在通话期间的后台跑，预测下一个可能的问题并预热缓存，让下一轮直接命中
- Post-Call 完全异步，抽取、整合与后端写入都在 TTS 停止之后发生，绝不阻塞来电者
最小数据模型如下：
六个实体；用
phone_hash
而不是原始号码，把 PII 挡在记忆层之外。
200ms 预算实际长什么样？一次真实通话，一拍一拍地看：
- T+0ms——电话响起，来电者 ID 命中
CALLER.phone_hash - T+1ms——语义缓存命中，返回上下文包（姓名、上次工单、首选语言）
- T+50ms——LLM 开始基于 core memory 流式生成问候
- T+180ms——TTS 播出："Hi Sarah, your replacement for order #4821 is in transit — should arrive Thursday. Is that what you're calling about?"
与此同时，Slow Thinker 已经听到开场静默，在预取可能的下一个话题。当 Sarah 说 "Actually, I wanted to update the delivery address," 时，她的地址历史已经在缓存里热着——下一条响应落地 150ms，而不是 400ms。
代码示例
整件事大约 30 行就装得下。记忆层、缓存和异步抽取器分别挂在三个通话生命周期钩子上——
on_call_start
、
on_utterance
、
on_call_end
：
class VoiceAgent:
async def on_call_start(self, caller_id):
ctx = await self.cache.get(caller_id) \
or await self.memory.retrieve(user_id=caller_id, query="recent calls")
self.slow_thinker.start(caller_id, ctx)
return ctx
async def on_utterance(self, caller_id, utterance, ctx):
response = await self.llm.generate(system=ctx, message=utterance)
self.slow_thinker.observe(caller_id, utterance, response.text)
return response.text
async def on_call_end(self, caller_id, transcript):
asyncio.create_task(self.extractor.extract_and_consolidate(caller_id, transcript))
前面讲过的流水线、模式、反模式，全部都是
HybridMemoryStore
和
MemoryExtractor
内部发生的事。
什么时候不该用这套？这是为实时语音量身定做的。文本聊天机器人可以完全跳过语义缓存和 Slow Thinker——逼出那份复杂度的正是 200ms 预算；聊天场景保留六层、丢掉三区即可。批处理 Agent 要的是模式 4（检查点记忆），不是这套。
200ms、75% 缓存命中率、316× 加速这类数字来自已发表的基准；但基准数字经常被误读。下面讲怎么解读。
总结
目前来看基础模型在原始能力上正在收敛。能把生产级 Agent 和 demo 分开的是记忆问题，不是模型问题。
从简单开始，结构化状态 + 向量搜索覆盖 80% 的真实用例，只有当实体关系主导查询时才加图谱记忆；把检索当工具，先把遗忘路径设计好——召回时机交给 Agent，如果你解释不清记忆怎么失效，数周之内系统就会退化；度量真正重要的量：检索延迟 p95、缓存命中率、记忆精确度，以及写入新记忆所花的时间。没有这些数字，你就是在盲飞。
不是每个 Agent 都需要这一套。如果你的 Agent 只处理单轮事务或无状态查询，这就是过度工程。记忆不是一项特性，它是 Agent 身份、连续性与信任的根基。
https://avoid.overfit.cn/post/2022946d078c47af92cc72b0e20bede4
by Santosh Shinde
