Agent 记忆（Memory）

为什么 Agent 需要记忆

把 Agent 当实习生看就懂了：实习生入职第一天能干活，是因为记住了团队约定（用 pnpm 不用 npm、提交前跑 lint）。而一个没有记忆的 Agent，每次会话都像失忆重来——你反复教它同样的事，它反复犯同样的错。

更硬的约束来自上下文窗口本身：

• 容量有限：Context Rot 证明输入一长质量就掉，窗口远未满就已退化
• 生命周期短：会话结束、compaction 压缩之后，早期内容就没了
• 按 token 计费：每次都重读全部历史，账单撑不住

记忆系统的本质：把「每次都要重学」的东西挪到窗口外面，按需取回。

两层记忆：短期与长期

学术界的分层更细（受认知科学启发，MemGPT/Letta 一系把这套发扬光大）：

• 工作记忆：当前上下文里的活跃内容
• 情景记忆（episodic）：过去发生的事件流水——「上次重构是怎么失败的」
• 语义记忆（semantic）：沉淀下来的事实与偏好——「这个项目用 pnpm」
• 程序记忆（procedural）：固化成规则的操作流程——「提交前必须跑测试」

工程上不必照搬四层，但**「事件流 → 提炼 → 沉淀」**这个方向是共通的：先记录发生了什么，再总结成可复用的结论，最后固化到规则文件里。

工程实现的三条路线

1. 记忆文件：CLAUDE.md / AGENTS.md（最朴素，最有效）

把项目约定写成 Markdown 放在仓库根目录，Agent 每次启动自动读取：

• CLAUDE.md：Claude Code 的记忆文件，写技术栈、命令、代码风格
• AGENTS.md：2026 年已成跨工具的事实标准，Codex、Gemini CLI、OpenCode 等都认

它同时解决两件事：人也是读者（新人 onboarding 看同一份文件），版本可管理（记忆跟着 git 走，可 review、可回滚）。这比任何智能记忆系统都可靠——因为它简单到不会出错。

写法要点：只写 Agent 会反复用到的稳定约定（构建命令、目录结构、禁区），别写成需求文档。详见 AGENTS.md 详解。

2. 向量检索：记忆库 + RAG

把历史会话、踩坑记录切块后存进向量库（embedding），新任务开始时先检索相关记忆注入上下文：

• 优点：能记住海量历史，按语义召回
• 风险：检索质量决定一切——召回错了等于给 Agent 喂错误记忆，比没有记忆更糟

适合多项目、长周期积累的个人助手型 Agent；单仓库编程场景下，记忆文件通常够用。

3. 内置记忆系统：工具厂商的尝试

MiMo Code 把记忆系统做进了 Agent 本体——跨会话记住项目上下文与用户习惯。方向正确，但注意两点：记忆存在哪（本地 or 云端）决定隐私边界；记忆能否查看、编辑、清除决定可控性。闭源记忆系统在这两点上天然存疑，选型时要看厂商的披露。

记忆的坑：污染与过时

记忆系统不是纯增益，它引入两类新故障：

1. 记忆污染：早期学到的错误约定（比如某个已废弃的构建命令）被反复注入，Agent 把错误越滚越扎实。解法：记忆要可编辑、可清除，且标注来源与时间
2. 记忆过时：项目演进后旧约定失效（monorepo 拆分了、框架升级了），记忆文件没跟着更新。解法：把记忆文件纳入维护流程，lastVerified 思维同样适用于记忆

一个实用习惯：让 Agent 在每次踩坑后主动提议把教训写进 AGENTS.md——人审核后合入。记忆的写入路径有人把关，污染速度就可控。

和上下文工程的关系

记忆是上下文工程的子问题：后者管「这一次请求的窗口里放什么」，前者管「跨请求的沉淀与召回」。完整链路是：

踩坑/约定 → 沉淀进记忆（AGENTS.md / 向量库） → 下次任务按需召回注入 → 窗口内只保留当前任务的高信噪比内容

三层各司其职，缺哪层都会退化：没记忆则反复重学，没检索则记了找不到，没上下文工程则找到了也淹没在噪声里。

常见误区

• 「上下文窗口够大就不需要记忆」：错。窗口再大也跨不了会话，且长输入直接触发 Context Rot
• 「记忆文件是给模型写的文档」：错。AGENTS.md 首先写给人看——它是一份恰好能被机器消费的工程约定
• 「记忆越多越好」：错。污染与过时的记忆是负资产，宁缺毋滥，定期清理
• 「向量库是记忆的标准答案」：过度设计。单项目编程场景，一个 Markdown 文件解决 80% 的问题

相关阅读

• AGENTS.md / CLAUDE.md：项目级上下文规范
• Context Rot：短期记忆为什么会腐烂
• Context Engineering：上下文工程总纲
• RAG：检索增强生成
• Embedding：向量检索的基础
• MiMo Code 评测：内置记忆系统的国产 Agent