核心判断：记忆不是“多保存一点聊天记录”，而是 Agent 的状态层。它必须管理信息的写入、表示、检索、更新、遗忘、权限与审计，才能把一次性工具变成长期协作者。
01. 开场
你有没有发现一个很奇怪的现象：我们现在都说 AI Agent 能写代码、能查资料、能操作浏览器、能调用工具，听起来已经很像一个员工了。可你真正用起来会发现，它有一个致命的问题——它经常像一个每天都会失忆的员工。
02. 每天失忆的员工
你昨天告诉它的项目背景，今天还要再说一遍；它上次踩过的坑，下次可能又踩一遍；你已经否掉的方案，过几天它又重新提出来；你花好几轮把它调教到一个合适的风格，一开新会话，又回到默认的出厂设置。所以这两年，大模型应用里有一个方向开始变得很重要：记忆。
03. 核心判断：记忆是状态层
但今天我们不要把它讲成“AI 终于能记住我叫什么名字”这种小功能，这个理解太浅了。真正重要的是：记忆，正在成为 Agent 的状态层。没有记忆，Agent 只是一个一次性工具；有了记忆，它才可能变成一个长期协作者。
04. 记忆 ≠ 长上下文 ≠ 检索增强
先把几个最容易混的概念拆开。第一件事：长上下文不是记忆，检索增强也不是记忆。
05. 长上下文不是记忆
长上下文解决的是“一次能看多少内容”。从几万到上百万 token，看起来像是记得更多，但它本质上还是一张一次性的临时桌面。桌面变大当然有用，可桌面再大，也不等于你有一套档案系统：没有归档、没有版本、没有权限、没有删除、没有“什么值得保留”的判断，长上下文最后只会变成更大的混乱。一句话——长上下文是更大的桌面，记忆是会整理的档案系统。
06. 检索增强不是记忆
检索增强，也就是大家常说的 RAG，更像一间资料室：一堆文档、规范、网页、问答，模型不知道就去检索，它解决的是“知识接入”。但记忆处理的是动态经验：你是谁、这个项目做到哪一步、上次为什么这样决策、这个客户有哪些特殊约束、某个工具上次怎么调用成功、某个故障之前是怎么排查出来的。所以我更愿意这样区分——检索找资料，记忆保状态；检索问的是资料在哪里，记忆问的是过去发生了什么、什么该留下、未来什么时候要用。
07. 大模型到底有哪些记忆
那大模型相关的记忆，到底有哪些层？我们可以分成四层来看。
08. 四层记忆
第一层，参数记忆：模型训练时写进权重里的知识，更新慢、不能精确删除，也不能为某个用户动态改变。第二层，短期上下文：当前的对话、工具返回、代码改动、任务计划，很重要，但一换窗口就没了。第三层，外部显式记忆：数据库、向量库、图谱、文件、画像档案、记忆文件——它们在模型外面，可以随时写入、检索、更新、删除，这是现在讨论的重点。第四层，程序记忆：不只是“我知道什么”，而是“我以后该怎么做”。
09. 三类长期记忆
所以长期记忆至少有三类。语义记忆，是事实和关系；情节记忆，是过去发生过什么；程序记忆，是以后该怎么做事。很多人做记忆系统，只做了用户画像，停在语义记忆。但真正能让 Agent 越用越强的，是情节记忆和程序记忆——把踩过的坑、成功的做法，沉淀成提示词、技能和流程。
10. 专业记忆系统怎么工作
那一个真正专业的记忆系统，是怎么工作的？它绝不是简单的“存进去、再搜出来”。
11. 八环节生命周期
它至少有八个环节。写入这一侧：先捕获，信息来自用户、工具、文件、网页，还是模型自己推断，可信度完全不一样；再判断，这句话值不值得长期记；然后写入，可以边对话边写，也可以后台异步整理；接着是表示，你到底把它写成摘要、画像、事实三元组、事件日志、时间图谱，还是一份文件。读出这一侧：检索、注入、更新、遗忘。中间这条主线，就是记忆的生命周期。
12. 三个真正的难点
这里面有三个最难的点。第一，表示：写成什么形态，决定了它以后能不能更新、能不能追溯、能不能解释。第二，检索：不能只靠向量相似度，有的问题靠关键词，有的靠实体——某个客户、某台设备，有的靠时间——上次什么时候改的。第三，更新与遗忘：用户以前用 Vue、后来换成 React，你不能简单删掉旧信息，但也不能让它在新任务里继续误导模型。所以记忆一定要带上时间、版本、有效期、来源和状态。专业记忆系统比拼的，从来不是能不能存，而是生命周期管理。
13. 实证：腾讯 Agent Memory 的分层
说了这么多原则，我们来看一个真在跑的开源系统——腾讯的 Agent Memory。它最值得看的地方，正是反对“把一切都倒进一个向量库”。它把长期记忆做成四层：最底下 L0，是原始对话；往上 L1，是原子事实；再往上 L2，是场景；最上面 L3，是长期画像和偏好。这个结构很像人处理信息的方式：我们不会每次翻遍所有聊天记录，而是先记住大概的场景，需要细节时再回去查原始证据。
14. 腾讯做法：压缩不等于丢证据
长任务还有一个麻烦：工具日志太多。代码 Agent 要跑测试、看报错、读文件，运维 Agent 要查日志、看趋势，全塞进上下文很快就爆了。腾讯的做法是：把又重又长的工具日志卸载到外部文件，把任务状态压缩成一张画布，再用节点编号回溯到原文。背后是一个很关键的原则——压缩不等于丢证据：上层保留结构，下层保留证据，需要的时候可以一层层下钻。
15. 主流方案有什么区别
回到更大的图景：现在主流的记忆方案，到底有什么区别？
16. 三种基础做法
先看三种最基础的做法。第一种，会话摘要：把长对话不断总结，便宜又好做，但信息会丢，而且一旦总结错了，错误就会变成未来的上下文。第二种，把聊天记录放进向量库：保留了更多原文，但缺少状态更新、时间关系和冲突处理——相似度高，不代表这条记忆现在还有效。第三种，画像档案：给每个用户、每个项目维护一份结构化档案，适合稳定信息，但越大越难维护，旧事实被覆盖以后也不好复盘。
17. 四条主流路线
再往上，是四条更成熟的路线，它们其实押注了不同的答案。Mem0 押注：记忆需要一个好用的后端，抽取、去重、检索、评估都要产品化；它把记忆分成对话、会话、用户、组织几层，新事实只追加、不急着覆盖，检索时融合向量、关键词和实体。Zep 押注：长期记忆的关键是时间和关系，所以走时间知识图谱。Letta 押注：Agent 应该像一个长期员工一样有状态，记忆要可读、可编辑、可版本化。LangMem 押注：记忆不是一个单品，而是 Agent 编排里可以组合的能力。
18. 深入两条最不一样的路
其中最不一样的是两条。一条是 Zep 的时间图谱：它把对话和业务数据，变成一张带时间的实体关系网，事实可以失效、但历史会保留——你要问“这个客户上次为什么改方案”“这台设备三个月反复出什么问题”，光靠向量检索就不够了。另一条是 Letta 的记忆文件系统：它把记忆做成一套带版本管理的文件树，记忆就是文件，有目录、有提交历史，系统目录里的内容每次都进系统提示词，其它的按需读取——这对代码 Agent 特别自然。
19. 记忆越强，风险越大
但这里必须泼一点冷水：记忆不是只有好处。它会把一次性的错误，变成长期的状态。
20. 记忆污染三场景
举几个真实的风险。模型误解了你的偏好，把“这次临时这样”记成“以后永远这样”；网页里的恶意提示，诱导 Agent 写入一条伪造的记忆；一个项目的敏感信息，被错误地放进了组织共享记忆。这已经有专门的研究在讨论，叫记忆污染。它比普通的提示注入更麻烦——普通注入往往只影响当前这一次，而被污染的记忆，会潜伏到未来的会话里。
21. 治理清单
所以一个成熟的记忆系统，必须有治理能力：要标记来源可信度，要有时间和有效期，要能识别敏感信息，要让用户可见、可删、可纠正，要做企业权限隔离，还要有写入审计、冲突检测，必要的时候能回滚。一句话——没有治理的记忆，不是智能增强，而是长期风险。
22. 未来方向
那往前看，大模型记忆会走向哪里？我觉得有几个比较清楚的趋势。
23. 六个趋势
第一，从被动检索，走向主动管理：Agent 自己判断什么值得记、什么该合并、什么该降权。第二，从向量块，走向事件、实体和时间，因为真实任务是状态变化问题，不是文档相似度问题。第三，从用户偏好，走向工作记忆和组织记忆：真正值钱的不是你喜欢什么颜色，而是一个项目怎么推进、一个团队踩过哪些坑。第四，记忆和技能融合：把“上次失败了”，复盘成“下次先检查这个条件”。第五，记忆变成平台层，给不同 Agent 共享。第六，安全评估成为核心能力。
24. 企业到底怎么落地
说回最实际的问题：如果你是企业团队，这东西到底该怎么落地？
25. 企业三落点闭环
我的建议是：别一上来就做“万能 AI 记忆”，先抓三个落点，让它们转成一个闭环。第一步，每个项目一份结构化画像：背景、客户约束、系统边界、关键配置。第二步，每次诊断生成一条带证据的事件记忆：故障、处理动作、结果。第三步，把重复出现的问题，复盘成一个技能或者一段流程。下次再遇到同类故障，先调出上次的步骤。在暖通、工业运维这种场景里，最值钱的从来不是聊天偏好，而是设备拓扑、调过的阈值、上次报警是怎么解决的。这样你做的就不是一个抽象系统，而是企业的经验资产。
26. 收束
所以回到开头：为什么这两年记忆突然重要？因为大模型正在从聊天框走向 Agent，从一次性问答走向长期协作，中间缺的那一层，就是记忆。但记忆不是越多越好。真正专业的系统，是在正确的时间、召回正确的证据，并且知道什么该忘、什么该更新、什么需要你确认、什么绝对不能跨权限使用。未来的 Agent，拼的不只是模型多强、工具多少，很大一部分会拼：它有没有一个可靠的状态层，有没有可复用的经验，有没有可治理的记忆。
27. 延伸判断
参考资料与延伸阅读
- LangGraph memory overview
- LangMem
- Mem0 memory types
- Zep concepts
- Letta memory
- Letta MemFS
- MemGPT paper
- CoALA paper
- Sleeper memory poisoning
产品架构与 benchmark 数据可能随版本更新；厂商披露的性能结果不视为第三方独立验证。资料核验日期：2026-08-23。