本文收录于专栏《AI Agent原理与实战》2026版—— 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。

本课定位：上下文是"当前看见的"，记忆是"跨会话留下的"。本课讲记忆三时间尺度、NUS Forms-Functions-Dynamics 分类、写入/检索/遗忘三操作，配客服偏好记忆实战。第 24 课赛博小镇居民的记忆、Hermes 的自成长都建立在第 14 课的机制上。

阶段 2｜单 Agent 核心机制 ｜ 来源：【微·13】（微软 AI Agents for Beginners 第 13 课）+ NUS 综述补充

关键字：Agent记忆、长期记忆、短期记忆、记忆三时间尺度、记忆写入、记忆检索、跨会话状态、用户偏好

本节目录

• 14.1 记忆 ≠ 上下文：三个时间尺度
• 14.2 NUS 统一分类：Forms-Functions-Dynamics
• 14.3 记忆的三个操作：写入、检索、遗忘
• 14.4 可靠事实 vs 历史记录 vs 模型推断
• 14.5 专用记忆工具一览
• 14.6 核心代码
• 14.7 实测输出
• 14.8 动手练习

概念讲解

14.1 记忆 ≠ 上下文：三个时间尺度

微软原课按时间尺度把记忆分成三层（与认知科学的 working/short-term/long-term 对应）：

关键认知：上下文窗口只是记忆的"工作区"，不是存储本身。长期记忆活在窗口外，按需检索注入——这正是第 13 课"选择"操作的数据来源。原课还列了几个细分类目（在三层之上按用途再分）：情景记忆（episodic，过去的任务经历——第 12 课 Reflexion 的反思文本就存这里）、实体记忆（entity，人/物/事件的结构化记录）、人格记忆（persona，Agent 自身的角色设定）。分类学意义大于工程意义——工程上真正要设计的是下一节的三个操作。

14.2 NUS 统一分类：Forms-Functions-Dynamics

总纲指定的深入参考是新加坡国立大学牵头的综述《Memory in the Age of AI Agents: A Survey——Forms, Functions and Dynamics》（arXiv:2512.13564，2026-01 发布，覆盖 NUS/人大/复旦/北大等十余机构，GitHub 配套论文列表）。它对传统"长/短期"二分法的不满与重构：

• Forms（形式）——记忆由什么承载：token 级（显式文本单元，可增删改查——数据库/向量库属于这类）、参数级（编码进模型权重，微调写入）、潜空间级（模型内部隐状态，推理期持续更新）。
• Functions（功能）——记忆为什么存在：事实记忆（factual，记录与用户/环境交互中学到的事实）、经验记忆（experiential，记录任务执行经验，让 Agent 越用越强）、工作记忆（working，单任务工作区）。注意这个功能三分替换了"长/短期"时间分类——同样是长期存储，存"用户偏好蓝色"（事实）和存"上次这个坑怎么绕过的"（经验）是两种记忆，写入/检索/遗忘策略完全不同。
• Dynamics（动态）——记忆如何运转：形成（什么进记忆）、检索（怎么取回）、演化（怎么更新与淘汰）。

这个框架的价值：当有人说"给 Agent 加记忆"时，先问三个问题——什么形式承载？为什么功能服务？形成-检索-演化怎么设计？本课案例就按 Dynamics 三操作展开。

14.3 记忆的三个操作：写入、检索、遗忘

写入（Formation）：从对话中抽取值得长期保留的信息。两个设计点：一是抽取判据（什么值得记——用户明说的偏好值得，寒暄不值得）；二是冲突处理（新信息与旧记忆矛盾时怎么办——用户"我现在更喜欢红色了"，旧记忆"偏好蓝色"应被更新而非并存，否则检索时两条都命中，Agent 人格分裂）。

检索（Retrieval）：按当前查询选相关记忆注入上下文。检索即第 13 课的"选择"操作：相关性排序 + top-k 截断 + 命中计数（命中数本身是遗忘的输入信号）。

遗忘（Forgetting）：反直觉但必要的一环。三类清理策略：

• TTL 过期：推断类记忆（模型猜的）设定有效期，到期未验证就删——防推断累积成"事实"
• 低价值淘汰：长期零命中的记忆降权/删除（记忆库不是仓库，检索质量比库存量重要）
• 用户删除权：合规要求（GDPR 类），用户说忘就必须忘——微软原课的设计原则里"控制（Control）“明确包含"可遗忘”

14.4 可靠事实 vs 历史记录 vs 模型推断

记忆的可信度不是均质的，检索注入时应带来源档位标注：

不给档位标注的记忆系统有个隐蔽风险：三个月前的推断被后来的对话反复检索强化，最终 Agent 把猜测当成了铁的事实——这是第 13 课"毒化"失败模式在记忆层的翻版。

14.5 专用记忆工具一览

原课介绍了两个代表性框架（工程选型时了解即可，机制都是上述三操作的工业化实现）：Mem0（两阶段管线：LLM 抽取记忆 → LLM 决定增/改/删，混合向量+图+KV 存储）；Cognee（把非结构化数据转成知识图谱 + 嵌入的双存储架构，擅长关系型查询）。另有微软 Agent Framework 的AgentSession（会话级短期记忆的框架内建方案）。第 16 课框架实战时会再遇到它们。

原课还给了两条生产化优化建议：①延迟管理——为避免记忆读写拖慢交互，用便宜快速的小模型先判断信息是否值得存储/检索，仅在必要时才调用复杂的抽取/检索流程（本课案例每回合都跑 LLM 抽取，是教学简化；生产加一道小模型闸门）；②知识库维护——不断增长的记忆库要把低频使用的信息迁移到"冷存储"控制成本（与本课 TTL/低命中淘汰互补：淘汰是删，冷存是降级）。

案例实战：客服 Agent 的偏好记忆系统

目标
给第 7 课的客服 Agent 加上长期记忆，完整跑三个回合：老用户回访（记忆检索注入）、偏好变更（冲突更新）、时间流逝（遗忘 GC）。

环境

• Windows（推荐）：Windows 10/11 + Python 3.9+，pip install openai==3.6.0，setx DEEPSEEK_API_KEY "sk-..."后新开终端运行python 14_memory_agent.py——脚本无操作系统相关依赖
• Linux（本课实测环境）：Ubuntu 22.04，Python 3.10.12，openai 3.6.0，deepseek-chat，2026-10-01 实测。记忆库用 dict 演示机制（生产替换为向量库 + 数据库）
• JSON 输出模式（response_format）为 DeepSeek API 特性，注意事项同第 10 课；三个回合全程约 2 分钟
• 换国内模型：接入参数与实测行为见第 7 课"国内模型适配"节；记忆抽取的 origin 档位判断质量会随模型变化，GLM/MiniMax 用户建议先跑回合 1 观察抽取是否稳定再上量

14.6 核心代码

# 14_memory_agent.py（节选）# 每条记忆：content + origin(来源档位) + ts(时间戳) + hits(命中计数)MEMORY={"user_42":[{"id":"m1","content":"偏好蓝色商品","origin":"user_stated","ts":1.0,"hits":3},{"id":"m3","content":"对价格敏感，倾向等促销","origin":"inferred","ts":2.0,"hits":1},...]}EXTRACT_PROMPT="""从客服对话中提取值得长期记住的用户偏好/事实。 输出 {"memories": [{"content": "...", "origin": "user_stated|event|inferred"}]}。 - user_stated：用户原话明说的偏好（最可靠） - event：发生过的交互事件（记录性） - inferred：从行为推断的（需后续验证） 没有值得记的就输出空数组。"""defmemory_write(user_id,conversation,now):# 写入：抽取 + 冲突合并out=chat_json(EXTRACT_PROMPT,conversation)foriteminout["memories"]:if同主题旧记忆存在:# 冲突：新陈述覆盖旧记忆旧记忆.update(content=新内容,ts=now,hits=0)else:MEMORY[user_id].append(新记忆)defmemory_read(user_id,query,top_k=3):# 检索：相关性 + top-k + 命中计数picked=sorted(按相关度打分(MEMORY[user_id]),reverse=True)[:top_k]forminpicked:m["hits"]+=1returnpickeddefmemory_gc(user_id,now,ttl_inferred=5.0):# 遗忘：TTL + 低命中淘汰forminMEMORY[user_id]:ifm["origin"]=="inferred"and老化超过TTLandm["hits"]<=1:删除elifm["origin"]=="event"andm["hits"]==0and长期未命中:删除defserve(user_id,user_msg,now):# 带记忆的客服回合mems=memory_read(user_id,user_msg)reply=chat(系统提示含来源档位说明,f"[用户记忆]\n{memory_block(mems)}",user_msg)memory_write(user_id,本轮对话,now)# 写回新记忆returnreply

【已实测】2026-10-01，deepseek-chat。

14.7 实测输出

回合 1：老用户回访（“帮我推荐个新到货的商品”）

注入的记忆: - 用户偏好蓝色商品（可靠事实） - 收货地址在杭州（可靠事实） - 对价格敏感，倾向等促销（模型推断） 回复: 您好～我们最近新到了一批商品，请问您想看哪一类呢？……之前您提到比较喜欢蓝色， 如果有合适的品类，我可以优先帮您留意蓝色款的哦～ 写入: ['更新: m1 -> 用户偏好蓝色商品'] ← 注意：这条"更新"是多余的（见下）

回合 2：偏好变更（“我现在更喜欢红色了，蓝色看腻了”）

写入: ['更新: m1 -> 用户现在更喜欢红色，蓝色看腻了'] m1 现状: {'content': '用户现在更喜欢红色…', 'origin': 'user_stated', 'ts': 11.0, 'hits': 0}

回合 3：时间流逝 20 单位后 GC

清理: ['事件遗忘: 上次投诉物流慢'] 剩余记忆: [('m1','…更喜欢红色…','可靠事实'), ('m2','收货地址在杭州','可靠事实'), ('m3','对价格敏感…','模型推断')]

三处精读：

1. 记忆注入直接改变回复行为：Agent 主动提出"优先留意蓝色款"——个性化不是提示词魔法，是检索到的记忆在起作用。且回复里对推断类记忆（价格敏感）的态度比对事实类（蓝色）克制，来源档位标注在起效。
2. 回合 1 的多余写入是真实的翻车样本：本轮对话里客服只是引用了"蓝色偏好"（记忆里的旧信息），抽取器却把它当新信息又"更新"了一遍 m1。危害有两层：时间戳被无谓刷新（影响遗忘判断），若对话里 Agent 复述过错误记忆还会自我强化。修法是写入判据里加一条"与已检索注入的记忆重复的内容不写入"——记忆系统必须区分"用户说的"和"Agent 复述的"。
3. 回合 2 的冲突更新是记忆正确性的关键机制：新偏好（红色）直接覆盖旧偏好（蓝色），时间戳刷新、命中清零——如果没有这一步，两条偏好并存，下次检索双双命中，Agent 就"精神分裂"了。而 GC 阶段推断类记忆 m3 因仍有命中被保留、事件类 m4（投诉物流）零命中老化被清除——遗忘策略按 origin 档位区别对待，不是一刀切。

14.8 动手练习

1. 修掉回合 1 的多余写入：在memory_write里把本轮已注入的记忆列表传进去，抽取结果与之去重后再落库。
2. 把 m3 的 origin 改成 user_stated 再跑 GC——观察"价格敏感"从可遗忘变成永久保留，体会档位标注对记忆生命周期的影响；再考虑：这条其实该让用户确认后升级档位（推断 → 事实的验证流）。

小结

• 记忆 ≠ 上下文：窗口是工作区，存储在窗外；按时间尺度分工作/短期/长期，工程要设计的是写入、检索、遗忘三操作（Dynamics）。
• NUS Forms-Functions-Dynamics 框架（arXiv:2512.13564）：形式（token/参数/潜空间）、功能（事实/经验/工作）、动态（形成/检索/演化）——替代粗糙的"长短期"二分。
• 记忆带来源档位：可靠事实 / 历史记录 / 模型推断——不同档位不同的使用姿态与遗忘策略；写入要区分"用户说的"和"Agent 复述的"。
• 冲突更新防人格分裂，TTL+低命中淘汰防记忆库变垃圾场，用户删除权是合规硬要求。

至此阶段 2（单 Agent 核心机制）八课齐了：工具（07-08）、模式（09）、规划（10）、检索（11）、反思（12）、上下文（13）、记忆（14）。工具多了要框架管（第 15-17 课），任务大了要多 Agent 分工（第 21-24 课）——都建立在这八课的机制之上。另外按总纲提示，学完本课建议提前学习第 25 课《可信赖的 Agent：边界与审核》——Agent 有了工具、记忆、自主循环之后，安全边界意识越早建立越好。

扩展阅读

🌐 网络提示：github.com 需代理（clone 可走 ghproxy 加速、push 优先 SSH）；学术站 arxiv.org 境内多可直连（慢），其余评测/规范站需代理；pip 安装建议加清华镜像-i https://pypi.tuna.tsinghua.edu.cn/simple。详见总纲附录《国内网络访问与国产适配指南》。

• 微软原课第 13 课（Agent Memory，含 Mem0/Cognee notebook）：https://github.com/microsoft/ai-agents-for-beginners/tree/main/13-agent-memory
• NUS 记忆综述《Memory in the Age of AI Agents: Forms, Functions and Dynamics》（arXiv:2512.13564）：https://arxiv.org/abs/2512.13564
• 配套论文列表：https://github.com/Shichun-Liu/Agent-Memory-Paper-List
• Mem0 文档：https://docs.mem0.ai/ ；Cognee 文档：https://docs.cognee.ai/

我的专栏