⁶

Agent的长期记忆

K弟

2026-05-30 23:08

阅读762

K弟

2026-05-30 23:08

阅读 762

什么是长期记忆

长期记忆是指 Agent 能够跨会话、持久化存储并按需检索的信息，用于跨会话的知识积累、个性化、用户画像等，具有长期价值，通常经过提炼、结构化，并可能用于检索增强（RAG）等机制。他的主要作用是：

个性化服务：记住用户偏好、历史行为、身份信息等。
知识积累：存储学到的经验、事实、操作流程等。
上下文扩展：通过检索补充短期记忆的不足。
持续学习：支持 Agent 在多次交互中不断优化策略。

OpenClow长期记忆的实现

1：长期记忆

长期记忆通过MEMORY.md来实现的，这里主要是存储高价值、持久化的事实与偏好。
MEMORY.md会被自动注入到每次对话的系统提示词中！也就是说，OpenClaw每次开始新对话时，都会先“翻看”这个文件。但有个限制：它被截断到200行之后就不再显示了（为了控制系统提示词大小）。所以 MEMORY.md应该保持精简，把最重要的信息放在前面。

每日记忆：memory/日期.md里面存储每日的笔记，适用于比较低频、细节化的日常交互。例如某天具体写了哪段代码、聊了什么琐事。这些细节不会都记录到核心的长期记忆（防止过载），但在需要时可被追溯。

2：每日记忆

每日记忆：memory/日期.md里面存储每日的笔记，适用于比较低频、细节化的日常交互。例如某天具体写了哪段代码、聊了什么琐事。这些细节不会都记录到核心的长期记忆（防止过载），但在需要时可被追溯。

3：记忆写入时机
3.1：Agent 主动写入（LLM 决策）

用户显式要求：用户说“记住我偏好 TypeScript”
Agent 主动写入Agent 自主判断：Agent 在对话中认为某些信息值得保存，自行决定写入

agnets.md中的提示词：

▼
plain
复制代码
写下来 —— 别指望“心里记着”！
人的记忆力是有限的——如果你想记住某件事，就把它写进文件里。
光靠脑子记（心理笔记）是扛不住会话重启的，但文件可以。
所以，当有人对你说“记住这个”的时候 → 请把它更新到 memory/YYYY-MM-DD.md 或者相关的文件中。

MEMORY.md - 你的长期记忆库
你可以随时在主要的会话中自由地读取、编辑和更新 MEMORY.md。
把那些重要的事件、想法、决定、观点以及吸取的教训都写进去。
这就是你精心整理的记忆——是提炼出来的精华，而不是原始的流水账。
随着时间的推移，记得回顾你的每日文件，并把那些值得保留的内容更新到 MEMORY.md 里。

3.2：Memory Flush 自动写入（LLM 决策）

Memory Flush 是 Compaction（上下文压缩）前的安全网——确保在激进的上下文裁剪之前，重要信息已被保存。触发条件

相关提示词：

▼
plain
复制代码
当前会话即将触发自动压缩；请将那些持久化的记忆内容保存到磁盘上。
只将持久化记忆存储在 memory/YYYY-MM-DD.md 文件中。
在此次刷新期间，请把 MEMORY.md、DREAMS.md、SOUL.md、TOOLS.md、AGENTS.md 这些文件视为只读状态（即不要修改它们）。
如果没有需要存储的内容，请直接回复 NO_REPLY。

4：日记忆到长期记忆的晋升完全依赖 Agent 自主判断

对话中直接写入：Agent 在主会话中可以自由读写 MEMORY.md，AGENTS.md 模板明确指导："You can read, edit, and update MEMORY.md freely in main sessions"。当 Agent 认为某条信息足够重要时，可以跳过日记忆，直接写入长期记忆。
心跳维护：AGENTS.md 模板建议 Agent 在心跳（Heartbeat）期间定期回顾日记忆并更新 MEMORY.md：

▼
plain
复制代码
🔄 记忆维护（在心跳期间）
每隔一段时间（比如几天一次），利用心跳周期来执行以下操作：
浏览最近生成的 memory/YYYY-MM-DD.md 文件。
找出那些值得长期保留的重要事件、经验教训或灵感洞察。
将这些提炼后的学习成果更新到 MEMORY.md 中。
删掉 MEMORY.md 里那些已经过时或不再相关的信息。

这套默认机制的特点：灵活但不确定。Agent 可以根据语境自由判断哪些信息值得长期保留，但是否执行、何时执行、整理质量如何，完全取决于 LLM 的自主决策。

此套长期记忆的局限性

无论是 Agent 主动写入还是 Memory Flush 自动写入，写什么、怎么写、写多少，都完全由 LLM 在单次推理中自主决定。没有结构化的提取规则，没有强制的输出格式。不同的模型、不同的上下文长度、甚至同一模型的不同推理轮次，写入的内容可能完全不同。你告诉 Agent 自己的名字、城市和饮食偏好，Agent 可能只记住了名字，漏掉了其余两个——即使用户没有明确说“记住这个”。
Memory Flush 本身是 Compaction 前的救济机制，但它只在上下文接近压缩阈值时触发。如果一次对话很短（未触发 Compaction），而 Agent 又没有主动写入，那么对话中的信息就不会被持久化。换句话说，Flush 只能保证“长对话压缩前不丢”，不能保证“短对话也能记住”。
无论选择哪条晋升路径，日记忆向 MEMORY.md 的晋升都存在不确定性：晋升完全依赖 Agent 在对话中或心跳期间自主决定是否整理日记忆。Agent 可能长期不回顾，也可能整理时遗漏重要信息——没有任何机制保证晋升一定发生。

长期记忆框架mem0

添加记忆（add）

信息提取：利用 LLM（如 DeepSeek、GPT）从对话中自动识别关键事实（如“我喜欢Coding”）。
主要提取---> 1、用户偏好和习惯 2、任务执行中产生的关键结论和决策
冲突检测与合并：新记忆与已有记忆比对，自动处理矛盾（如先说“喜欢Coding”，后说“讨厌写代码”）。
结构化存储：
● 内容被向量化并存入向量库；
● 实体和关系被提取并存入图数据库；
● 支持附加元数据（如 category: movies, importance: high）。

检索记忆（search）
检索时机：
1、【主动检索】任务开始前，用当前任务的描述去检索相关记忆，把结果注入system prompt 作为背景知识。
2、【被动触发】 Agent 在推理过程中，判断当前步骤需要某类特定知识时，主动发起检索（把「查记忆」封装成一个 Tool，让 Agent 自己决定什么时候调）

查询理解：LLM 对用户问题进行语义优化。
多路检索：
● 向量搜索：基于语义相似度召回相关记忆；
● 图查询：根据实体关系扩展上下文（如“谁是蜘蛛侠？” → “彼得是蜘蛛侠”）。
结果排序：综合相关性、时效性、重要性等维度返回最匹配的记忆。

问答助学