让Agents更聪明，3招搞定记忆管理！

探索AGI

发布于 2025-9-12 07:15

浏览

0收藏

关于Agent的记忆，大多数人印象中，后台可能就是一个RAG罢了。

但是到底有哪些细节和值得注意的地方呢？今天深度分析一个还不错的开源项目，探索关于记忆的秘密。

项目是这个：https://github.com/GibsonAI/memori

让Agents更聪明，3招搞定记忆管理！-AI.x社区

不止是RAG

其实如果细看很多记忆框架，他们做到的真的远不止一个“存储-检索”的RAG思路。

在Memori中，把记忆分成了两种：

Conscious Mode

就是传统意义上的短期工作记忆。

但是比较特别的是，在系统启动时，会主动分析长期记忆，把那些最重要、最核心的信息（比如你的身份、偏好、当前正在忙的项目）提取出来，直接加载到工作记忆里。

在对话开始时，这些信息会一次性注入，让大模型立刻想起你是谁，你在干什么。

Automatic Mode

对应短期，这里就是长期记忆了。会在每一次交互时，分析你当前输入的意图，然后去记忆数据库里搜索最相关的3-5条信息，动态注入到上下文中。

简单来说，一个是提供基础、个性化的上下文，一个处理即时、动态的上下文。

memori = Memori(
    conscious_ingest=True,  #  Conscious Mode 
    auto_ingest=True,       #  Automatic Mode
    openai_api_key=""
)
memori.enable()

驱动记忆的智能体架构

想支持上面2种长短期记忆，那具体是怎么实现呢？

这里我用模型画了一张mermaid图，背后是三个Agent的协同工作。

让Agents更聪明，3招搞定记忆管理！-AI.x社区

Memory Agent

每当一次对话结束，它就会马上分析对话内容，提取出结构化的信息。

它不只是存个聊天记录，而是会用模型把信息分类成事实、偏好、技能、规则、上下文这五种，并打上实体标签（比如人名、技术、项目）。

举个例子：

类型	用途	示例	标签
事实	客观信息	我使用PostgreSQL作为数据库	高频
偏好	用户选择	我偏好简洁、可读的代码	个人身份
技能	能力和知识	熟悉FastAPI	专业领域
规则	约束和指南	总是先写测试	工作模式
上下文	会话信息	正在做电商项目	当前项目

这种分类使Agent在提供帮助时，能够有针对性地调用不同类型的记忆。

比如，当你让它帮你写代码时，它不仅知道你正在做的项目（上下文），还知道你擅长FastAPI（技能），并且偏好简洁、有类型提示的代码（偏好）。

class MemoryAgent:
    async def process_conversation(
        self,
        chat_id: str,
        user_input: str,
        ai_output: str,
        context: Optional[ConversationContext] = None,
    ) -> ProcessedMemory:
        # 使用 OpenAI 结构化输出
        # 返回分类、评分,结构化的记忆

Consciousc Agent

前面说到，在系统启动时，会主动分析长期记忆，把那些最重要、最核心的信息（比如你的身份、偏好、当前正在忙的项目）提取出来，作为短期记忆直接加载到工作记忆里。

这个就是意识ConsciouscAgent干的事情。

在后台默默工作，定期（比如每6小时）分析所有的长期记忆，寻找那些被反复提及、或者对定义用户身份至关重要的信息。

一旦找到，它就会把这些信息提升到短期工作记忆里，以备随时调用。

class ConsciouscAgent:
    async def analyze_memory_patterns(self, db_manager, namespace: str):
        # 分析长期记忆模式
        # 识别用于提升的关键对话
        # 将关键信息移至短期记忆

Retrieval Agent

这个就是搜索Agent了，每一次提问，理解意图，规划一个最优的搜索策略，从数据库中精准地找出最相关的几条记忆。

class MemorySearchEngine:
    def plan_search(self, query: str) -> MemorySearchQuery:
        # 分析查询意图并规划搜索策略
        # 返回带有过滤器和策略的结构化搜索计划
    
    def execute_search(self, query: str, db_manager, namespace: str) -> List[Dict]:
        # 执行带排名的多策略搜索
        # 返回带有元数据的相关记忆

这套组合拳下来，记忆就不再是一堆无序的文本，而是一个经过处理、分类、并且能够被智能检索的结构化知识库。