智能摘要
Agent记忆机制的核心在于分层设计：当前对话依赖滑动窗口，长期事实通过结构化档案卡存储以确保精确读取，近期对话由轻量级摘要列表记录脉络，历史案例则适用向量检索。ChatGPT的四层架构表明，非结构化数据才需向量数据库，多数场景下结构化存储结合摘要机制更高效、准确且可控。
— 此摘要由AI生成仅供参考。
通过对话实验逆向得出 ChatGPT 的记忆系统未使用向量数据库、RAG、embedding 召回及相似度匹配，而是采用 4 层纯结构化设计。尽管 ChatGPT 是对话产品而非 Agent，但其 memory 设计思路回答了 Agent 记忆系统的核心问题：何时该用检索，何时不该。
- 精确调用需求：向量检索是模糊匹配，无法确保关键事实类信息的精准命中。例如用户预算等需精确读取的信息，结构化存储可直接查对应字段，避免歧义。
- 时间处理问题：向量数据库采用追加写入方式，当用户信息更新（如预算从 5 万改为 8 万）时，可能同时召回新旧数据导致模型混淆；而结构化存储可直接用新值覆盖旧值，确保唯一答案。
- 当前对话上下文：无需存储，存在于滑动窗口中。
- 用户长期事实：包括名字、职业、偏好、目标等，需结构化档案卡显示存储，支持随时覆盖与精确读取。
- 近期对话摘要：记录用户最近关心的话题和聊天方向，采用轻量级摘要列表，无需存储原文。
- 历史经验和案例：如过去成功的解决方案、失败的尝试，此类非结构化内容适合用向量检索。
- 第一层会话元数据：包含设备类型、时区使用习惯等，不存入长期记忆，仅用于当场调整回复风格。
- 第二层用户记忆：结构化档案卡，存储用户主动提供或系统识别的稳定事实（如名字、职业、长期项目等），支持增删。
- 第三层近期对话摘要：整理最近十几次聊天的标题和关键信息为轻量级清单，不存原文、不做检索，静态注入。
- 第四层滑动窗口：存储当前对话的最近 n 条消息，超过 TOKEN 上限则丢弃。
当 memory 内容是非结构化、数量开放增长且查询为模糊语义时适用，例如客服 Agent 从数万条历史工单中查找相似案例。若仅需记住用户基本信息和对话脉络，结构化存储加摘要机制更高效（更快、更准、更可控）。
memory 是分层系统，不同类型记忆需采用不同存储和读取策略：当前上下文靠滑动窗口，长期事实靠结构化存储，近期脉络靠轻量摘要，历史案例靠向量。向量数据库是工具之一，非唯一或万能方案。面试时可先询问 “memory 需要存什么类型的信息”，体现对 Agent 记忆系统的深度理解。
文章评论