AI智能体记忆栈：构建模块、模式与框架
内容提要
AI智能体需借助外部记忆在多次调用间保存信息。记忆分为工作、情景、语义、程序四类，分别存储任务状态、过往事件、事实与偏好、操作模式。设计上应按重要性筛选写入、按角色隔离、在决策点检索并记录来源，避免单一向量库、无界增长和轻信写入。Letta、Mem0、Graphiti、Cognee等框架在存储与更新方式上各有取舍，多智能体场景还需处理共享冲突与检索评估。
延伸解读
记忆分类是设计起点，而非终点
文章将智能体记忆分为工作、情景、语义、程序四类，并指出各自存储与检索方式不同。但真正决定系统可靠性的，是写入前的筛选、按角色隔离、在决策点检索以及记录来源。若只停留在分类概念，仍可能陷入单一向量库或无限增长的陷阱。读者应把分类视为组织记忆的骨架，再结合具体任务决定每类记忆的生命周期与信任等级。
框架选择取决于关系复杂度与变更需求
Letta 让模型直接改写文本块，Mem0 采用向量加实体感知检索，Graphiti 用双时态知识图谱保留关系历史，Cognee 则从源数据重建多层表示。文章暗示，若只需检索相关事实或近期上下文，简单记忆层即可；当需要追踪实体关系、跨事实推理或保留信息变更过程时，结构化系统更合适。选型前应明确智能体是否真的需要这些能力。
多智能体共享记忆需先解决冲突与评估
多个智能体读写同一记忆时，并发更新可能产生冲突。文章列出集中式记忆服务、按智能体划分命名空间、追加日志并在检索时解决冲突等做法。同时提出检索召回率、精确率、忠实度和陈旧度四项指标，用于判断记忆系统是否有效。随着任务变长、共享增多，这些机制和指标比单纯扩大存储容量更能保障记忆质量。
Q&A
AI智能体为什么需要外部记忆？
语言模型在多次调用之间不会保留信息，每次运行只使用当前请求中的文本。对于需要跟踪先前操作、记住用户偏好或跨多个步骤继续任务的智能体，外部记忆可以存储信息并在需要时提供，从而解决模型无状态的问题。
AI智能体的记忆类型有哪些？各自存储什么内容？
分为四类：工作记忆存储当前任务状态（中间结果、暂存值），通常存于内存或短期键值存储，按键直接查找；情景记忆存储过去交互、任务运行和决策，存于时间日志或向量库，按语义相似度检索；语义记忆存储事实和偏好（可更新而非追加），存于键值或实体存储，按属性精确查找；程序记忆存储成功行动模式和已知失败模式，存于提示模板或微调中，通过模式匹配或直接注入使用。
设计智能体记忆系统时有哪些有效策略？
有效策略包括：写入前评估记忆重要性，过滤临时观察和低价值输出；按智能体角色隔离记忆范围，减少无关或冲突信息；在决策点检索记忆，而非仅在任务开始时检索一次；记录来源（如智能体、工具、用户输入、时间戳）以便调试和审计。
哪些记忆设计方法容易出问题？
常见问题方法有：将所有内容嵌入单一向量库，会检索到语义相似但不相关的信息，且难以表示事实间关系；自由形式摘要压缩可能丢失关键细节或保留错误陈述；无界增长且无维护会导致无关条目竞争、检索质量下降和成本增加；平等信任所有写入会带来记忆中毒风险，不可信内容被当作可靠信息。
Letta、Mem0、Graphiti、Cognee这些记忆框架在存储和更新方式上有什么不同？
Letta使用智能体可重写的自编辑文本块，模型识别矛盾后更新块；Mem0采用基于向量的记忆与实体感知检索，新记忆与现有记忆一起添加和检索；Graphiti使用双时态知识图谱和类型化关系，通过使旧关系失效但保留历史可查询来处理事实变化；Cognee通过提取管道从源数据构建图、向量和关系层，重建记忆表示并支持时间模式跟踪变化。
多智能体共享记忆时有哪些挑战和评估指标？
多智能体共享记忆时，并发读写可能产生冲突，常见方法包括中央记忆服务加写入控制、为每个智能体设置独立命名空间、或使用仅追加日志并在检索时解决冲突。评估指标包括检索召回率（相关记忆是否被检索到）、检索精确率（返回多少无关信息）、忠实度（智能体是否正确使用检索信息）和过时率（检索到不再最新信息的频率）。
