智能系统的设计之道（五）
记忆即身份：Agent 如何对抗遗忘
摘要
前面几篇，我们聊过 Agent 的心智循环和感知模式。但有一个问题被悄悄绕过了：一个没有记忆的 Agent，还算不算“同一个”Agent？大模型天生无状态——每次对话都像第一次见面，它记不住你上次的偏好，想不起昨天犯过的错。而记忆，恰恰是身份的前提。本文拆解 Agent 记忆的三件武器：分层记忆（怎么存）、RAG 检索增强（怎么取）、情节记忆（怎么从经历中学习）。
分层记忆：会遗忘，才记得住
最朴素的想法是把一切历史都塞进上下文窗口。但这条路走不通：Token 成本随上下文增长而爆炸，信息越堆越多，模型反而在“大海捞针”中找不到重点。就像一个人试图把一生的日记都摊在桌面上——他什么都记得，却什么都想不起。
分层记忆模式给出的答案是一座倒金字塔。最上层是工作记忆，装着此刻正在处理的内容——对话窗口、系统提示、最近的交流；中间是短期缓存，存放刚离开视线、尚未定型的摘要与情节；最底层是长期存储，用向量数据库和知识图谱沉淀那些值得永远记住的事实与关系。数据在层与层之间循环流转：被挤出去的，先遗忘、再巩固、最后沉淀；需要时，再被检索召回。这像极了人的记忆机制——海马体把短期记忆固化为长期记忆，大脑在睡眠中整理、淘汰、归档。
这个模式的设计哲学只有四个字：对抗遗忘。但它对抗的方式很反直觉——不是拼命记住一切，而是主动分层、主动取舍。遗忘不是记忆的失败，而是记忆的一部分；只有知道什么可以放下，才知道什么必须抓住。
RAG：把知识从参数里请出来
模型自己的“记忆”有一个致命缺陷：它有截止日期，而且会一本正经地编造。训练时学到的知识是“背下来的”，无法更新，无法追溯。
RAG（检索增强生成）模式把知识从模型参数中“解耦”出来：先根据问题去知识库里检索相关的片段，再把它拼进上下文，让模型基于资料作答。知识不再住在参数里，而是住在可更新的知识库里——换一份文档，模型的知识就随之更新；答了什么问题、引用了哪段资料，全程可追溯。这就是它的设计哲学：知识的解耦——把“知道什么”和“怎么思考”分开。模型负责推理，知识库负责记忆，两者各自演进，互不拖累。
情节记忆：把经历炼成经验
分层记忆和 RAG 存的是“知识”，情节记忆存的是“经历”。同样是“上周三处理过数据库报错”，知识是“报错的解决方案”，而经历是完整的故事：当时发生了什么、我试过什么、为什么失败、最后怎么绕过去的。
情节记忆模式把带时空上下文的交互轨迹捕获下来，像炼金术一样把粗糙的经历提纯成可复用的经验。它的设计哲学是做时间的朋友：Agent 的价值不在于它今天多聪明，而在于它积累了多少经验——就像一位老工程师的价值，不在于反应多快，而在于见过多少种坑。一个从失败中学习的 Agent，会越用越值钱。
结语：记忆让 Agent 成为“它自己”
同一个模型，配上不同的记忆，会长成完全不同的 Agent——就像同一副基因，在不同的经历中长成不同的人。记忆塑造身份：它会记得你的偏好，记得上次聊到哪，记得自己犯过的错和绕过的弯。
传统软件把这三个问题分给了三种机制：数据库管状态持久化，搜索引擎管知识检索，测试套件与事故复盘管经验累积。而 Agent 的记忆，把它们统一成了一套体系——记忆不再是一个可有可无的插件，而是平台与协议的一等组件。
会记得、会遗忘、会从失败中学习的 Agent，才真正配得上“伙伴”这两个字。