agent-memory

Agent 记忆

让 Agent 能够在不同对话中记住信息并持续学习。

何时使用此技能

在以下情况下调用此技能：

• 添加对话历史记录
• 实现长期记忆
• 构建个性化 Agent
• 管理上下文窗口

参数架构

参数	类型	必填	描述	默认值
task	string	是	记忆目标	-
memory_type	enum	否	buffer、summary、vector、hybrid	hybrid
persistence	enum	否	session、user、global	session

快速开始

from langchain.memory import ConversationBufferWindowMemory

# Simple buffer (last k messages)
memory = ConversationBufferWindowMemory(k=10)

# With summarization
from langchain.memory import ConversationSummaryBufferMemory
memory = ConversationSummaryBufferMemory(llm=llm, max_token_limit=2000)

# Vector store memory
from langchain.memory import VectorStoreRetrieverMemory
memory = VectorStoreRetrieverMemory(retriever=vectorstore.as_retriever())

记忆类型

类型	用例	优点	缺点
Buffer	简短对话	简单	不压缩
Summary	长对话	紧凑	会丢失细节
Vector	语义检索	相关性高	速度较慢
Hybrid	生产环境	综合表现最佳	复杂

多层架构

class ProductionMemory:
    def __init__(self):
        self.short_term = BufferMemory(k=10)    # Recent
        self.summary = SummaryMemory()           # Compressed
        self.long_term = VectorMemory()          # Semantic

故障排查

问题	解决方案
上下文溢出	添加摘要
检索缓慢	使用缓存、减少 k 值
检索结果不相关	改进嵌入
记忆未持久化	检查存储后端

最佳实践

• 在生产环境中使用多层记忆
• 设置 Token 限制以防止溢出
• 添加元数据（时间戳、重要性）
• 为旧记忆设置 TTL

相关技能

• rag-systems - 向量检索
• llm-integration - 上下文管理
• ai-agent-basics - Agent 架构

参考资料

• LangChain 记忆
• MemGPT 论文