《Making Sense of Memory in AI Agents》

AI代理记忆的最大难题，不是教它们“记住”，而是教它们“忘记”。

核心挑战是：大语言模型（LLM）天生无状态，每次对话都是全新开始，既不记得五分钟前说了什么，也不记得上周的内容。那么，如何让代理“记住”呢？

记忆类型分两大类：
• 短期记忆：LLM上下文窗口里的当前对话信息
• 长期记忆：外部存储的历史对话、用户偏好、学习事实等

不同框架对记忆分类也不尽相同：

CoALA（类人认知架构）：
- 工作记忆（当前对话）
- 语义记忆（用户事实）
- 情景记忆（过去经历）
- 程序记忆（指令和行为）

Letta（架构导向）：
- 消息缓冲（最近消息）
- 核心记忆（主动管理的上下文块）
- 回忆记忆（对话历史）
- 档案记忆（显式存储的知识）

最难的部分是忘记。如何自动判断哪些信息过时了？哪些依然相关？这正是大多数实现的难点。

Leonie的文章不仅讲清了各种记忆类型，还分享了实践中如何管理记忆（生成、存储、检索、更新、删除），并介绍了mem0、Letta、zep等新兴记忆框架。

社区专家提到：
- 让代理自己判断哪些记忆该删，比用复杂的衰减机制更靠谱。
- 记忆管理不能只是简单的“先进先出”，需要智能逻辑。
- 忘记不仅是存储问题，更是时间、情境和价值判断问题。
- 合规需求（如“被遗忘权”）让删除机制变得更复杂。

总结：AI代理记忆设计的核心，是如何在短期上下文与长期外存之间高效流转信息，同时智能决策何时更新、合并或删除信息。忘记难题不仅关乎技术，更关乎对时间和情境的理解以及用户隐私的尊重。

文章：leoniemonigatti.com/blog/memory-in-ai-agents.html