Agent记忆机制实战：如何设计高效的长期记忆与短期记忆系统

1次阅读

没有评论

共计 1572 个字符，预计需要花费 4 分钟才能阅读完成。

在设计智能 Agent 时，记忆系统是核心组件之一。为什么需要区分长期记忆和短期记忆？这源于人类记忆系统的启发：短期记忆快速但容量有限，长期记忆稳定但检索较慢。类似地，Agent 系统中：

短期记忆用于存储当前对话上下文、临时计算结果等高频访问数据
长期记忆则保存历史经验、知识库等需要持久化的信息

设计不当会导致：

内存爆炸 ：不限制短期记忆容量会导致内存占用飙升
响应延迟 ：频繁访问持久化存储的长期记忆会拖慢性能
信息干扰 ：过期上下文未及时清理会降低决策质量

常见实现方案各有优劣：

方案	短期记忆实现	长期记忆实现	优点	缺点
方案 A	Redis	MySQL/PostgreSQL	读写快，易扩展	需要维护多个系统
方案 B	内存 LRU 缓存	向量数据库 (FAISS)	检索效率高	冷启动时效果差
方案 C	共享内存	本地 JSON 文件	零依赖	无法分布式部署

生产环境中，方案 B 的综合性能最佳，特别适合知识密集型 Agent。

from functools import lru_cache

class ShortTermMemory:
    """基于 LRU 的短期记忆系统"""
    def __init__(self, maxsize=1000):
        self.cache = lru_cache(maxsize=maxsize)

    def store(self, key, value):
        """存储键值对，自动淘汰最久未使用的条目"""
        self.cache[key] = value

    def retrieve(self, key):
        """获取值并更新访问时间"""
        return self.cache.get(key, None)

import faiss
import numpy as np

class LongTermMemory:
    """基于 FAISS 的长期记忆系统"""
    def __init__(self, dim=512):
        self.index = faiss.IndexFlatIP(dim)  # 内积相似度
        self.data = []

    def add_memory(self, vector, metadata):
        """添加记忆向量和元数据"""
        vector = np.array(vector).astype('float32')
        self.index.add(np.expand_dims(vector, 0))
        self.data.append(metadata)

    def search(self, query_vector, k=5):
        """检索最相关的 k 条记忆"""
        D, I = self.index.search(np.array([query_vector]).astype('float32'), 
            k
        )
        return [self.data[i] for i in I[0]]

通过实验测得不同配置下的性能表现：