Agent 记忆机制入门指南：从基础原理到实战实现

1次阅读

共计 2738 个字符，预计需要花费 7 分钟才能阅读完成。

在构建智能 Agent 时，记忆功能是其核心能力之一。想象一下，如果每次和 Agent 对话，它都像第一次见面一样，完全记不住之前的交流内容，这样的体验显然不够智能。记忆机制让 Agent 能够积累上下文、个性化响应，甚至学习用户偏好。但在实际开发中，我们常会遇到以下挑战：

记忆容量限制 ：Agent 无法无限存储所有历史记录，需要合理管理存储空间
上下文丢失 ：在多轮对话中，如何保持话题连贯性是个难题
检索效率 ：随着记忆量增加，快速找到相关信息变得困难
信息过时 ：旧记忆可能不再适用，需要更新机制

根据记忆的保存时间和使用场景，我们可以将 Agent 记忆分为三类：

特点：临时存储当前对话或任务的上下文信息
实现方式 ：通常使用内存中的数据结构（如字典、列表）
优点：访问速度快，实现简单
缺点：系统重启后数据丢失
适用场景 ：单次会话中的上下文保持

特点：持久化存储重要信息
实现方式 ：数据库（SQL/NoSQL）、向量数据库
优点：可长期保存大量信息
缺点：检索可能较慢，需要设计索引
适用场景 ：用户偏好、知识库等需要持久化的信息

特点：结合当前场景的动态记忆
实现方式 ：基于注意力机制的检索
优点：能够根据当前情境动态调整
缺点：实现复杂度较高
适用场景 ：需要理解上下文关系的复杂对话

下面我们通过 Python 代码示例，实现一个简单的记忆系统，包含存储和检索功能：

from typing import Dict, List
import json
import hashlib

class AgentMemory:
    """
    简单的 Agent 记忆系统实现
    包含短期记忆和长期记忆功能
    """

    def __init__(self):
        self.short_term = {}  # 短期记忆：当前会话上下文
        self.long_term = {}   # 长期记忆：持久化信息

    def add_to_short_term(self, key: str, value: str):
        """添加信息到短期记忆"""
        self.short_term[key] = value

    def add_to_long_term(self, key: str, value: str):
        """添加信息到长期记忆"""
        # 使用 SHA-256 哈希作为键，保护敏感信息
        hashed_key = hashlib.sha256(key.encode()).hexdigest()
        self.long_term[hashed_key] = value

    def retrieve_from_short_term(self, key: str) -> str:
        """从短期记忆检索"""
        return self.short_term.get(key, "")

    def retrieve_from_long_term(self, key: str) -> str:
        """从长期记忆检索"""
        hashed_key = hashlib.sha256(key.encode()).hexdigest()
        return self.long_term.get(hashed_key, "")

    def save_memory(self, file_path: str):
        """保存长期记忆到文件"""
        with open(file_path, 'w') as f:
            json.dump(self.long_term, f)

    def load_memory(self, file_path: str):
        """从文件加载长期记忆"""
        try:
            with open(file_path, 'r') as f:
                self.long_term = json.load(f)
        except FileNotFoundError:
            print("Memory file not found, starting with empty memory")

# 使用示例
if __name__ == "__main__":
    agent = AgentMemory()

    # 添加记忆
    agent.add_to_short_term("current_topic", "weather")
    agent.add_to_long_term("user_preference", "likes sunny days")

    # 检索记忆
    print(agent.retrieve_from_short_term("current_topic"))  # 输出: weather
    print(agent.retrieve_from_long_term("user_preference")) # 输出: likes sunny days

    # 保存 / 加载记忆
    agent.save_memory("agent_memory.json")
    new_agent = AgentMemory()
    new_agent.load_memory("agent_memory.json")
    print(new_agent.retrieve_from_long_term("user_preference")) # 输出: likes sunny days

在设计记忆系统时，我们需要特别注意以下方面：