企业级 AI Chat / Agent 系统的“记忆系统设计”

• https://yeasy.gitbook.io/context_engineering_guide/di-san-bu-fen-jin-jie-ji-shu-yu-jia-gou/09_agents/9.4_agent_memory

• https://aws.amazon.com/cn/blogs/china/agentic-ai-infrastructure-deep-practice-experience-thinking-series-three-best-practices-for-agent-memory-module/

• https://www.cnblogs.com/2018/p/19240635

AI Agent 的“记忆管理”本质是在解决一件事：让模型在有限上下文窗口之外，仍然能“持续理解用户与任务状态”。

Short-term Memory（短期记忆 / 会话记忆） 当前对话上下文

特点
存在于 prompt / message history
token 限制内
最频繁更新
存储方式
Redis / 内存 / DB（conversation table）

示例结构
{
  "conversation_id": "xxx",
  "messages": [
    {"role": "user", "content": "帮我查知识库"},
    {"role": "assistant", "content": "请确认是否查询"}
  ]
}

Long-term Memory（长期记忆 / 用户记忆） 跨会话“记住用户”

内容类型
用户偏好（技术栈、风格）
历史任务总结
重要事实（项目、身份）
行为习惯
存储方式（推荐）
PostgreSQL + pgvector（主流）
或 Milvus / Weaviate

{
  "user_id": "u123",
  "memory": "用户偏好 ",
  "embedding": [0.12, 0.33, ...],
  "type": "preference | fact | summary",
  "score": 0.87,
  "updated_at": "2026-07-05"
}

作用
personalization
长期上下文补全
提升 agent “像人”

Episodic Memory（事件记忆 / 工作流记忆） “发生过什么事”

特点
面向任务/流程
可回放
类似日志增强版

{
  "session_id": "chat_001",
  "event": "rag_query",
  "input": "查询用户轨迹",
  "output": "调用track_user tool",
  "result": "success",
  "timestamp": 1723456789
}

企业级“记忆系统架构”

                    ┌──────────────┐
                    │  User Query  │
                    └──────┬───────┘
                           ↓
                ┌────────────────────┐
                │ Memory Router LLM  │
                └────────────────────┘
        ┌────────────┬──────────────┬─────────────┐
        ↓            ↓              ↓             ↓
 Short Memory   Long Memory      RAG        Tools
        ↓            ↓              ↓             ↓
        └────────────┴──────────────┴─────────────┘
                           ↓
                 Prompt Assembly Engine
                           ↓
                        LLM Output
                           ↓
                 Memory Write Back System

LangGraph 中的实现方式（推荐结构）

[Input]
   ↓
[Retrieve Memory Node]
   ↓
[Retrieve RAG Node]
   ↓
[Tool Decision Node]
   ↓
[LLM Node]
   ↓
[Memory Write Node]