关联主题:: 人工智能、知识管理
同级:: 2026-08-01_星期六
下一级:: Agent记忆方法（2026.08.01）
AI Agent为什么需要长期记忆：从Memmy到Agent记忆方法
现在的 AI 很聪明，但它经常像一位能力很强、每天都会失忆的同事。
你刚刚向 Codex 解释完项目背景，换到 Claude Code 又要重新说一遍；这次对话里已经确定不要重构旧模块，下次开启新会话，它可能再次提出同一个方案。我们和 AI 共同做过的判断、踩过的坑、形成的偏好，并不会天然变成下一次协作可以直接使用的经验。
这不是模型会不会推理的问题，而是 AI Agent 有没有一套长期记忆方法的问题。
上下文窗口不等于长期记忆
大模型回答问题时，只能依据当前送入上下文窗口的信息。更长的上下文可以让一次会话容纳更多材料，却没有自动解决四个问题：
- 哪些内容值得长期保留；
- 多次会话产生的信息怎样去重和更新；
- 面对新任务时应该召回哪些历史经验；
- 从 Codex 换到 Claude Code 后，记忆怎样继续使用。
聊天记录也不等于记忆。保存一万轮对话，只是保存了原始材料。如果每次都把所有记录塞给模型，成本、噪声和隐私风险都会不断增加。真正的记忆需要经历选择、组织、检索、核验和更新。
我把这套机制称为：Agent记忆方法。
对话与任务过程
→ 提取值得保留的信息
→ 结构化、去重与保存
→ 面向新任务按需召回
→ 给当前 Agent 提供必要上下文
→ 用新的事实修正旧记忆RAG、知识库和 Agent 记忆有什么不同
RAG 主要解决“资料在哪里”。它把文档切分、建立索引，再根据问题找回相关片段。Agent 记忆还要回答另外一些问题：
- 这是谁的偏好？
- 这个项目目前推进到哪里？
- 某项决定为什么做出？
- 哪条经验已经验证，哪条只是 AI 推测？
- 哪个 Agent 有权使用这份记忆？
- 旧信息失效后怎样修正？
Obsidian 和 Wiki 更适合保存经过整理、能够回到来源核验的显性知识。Agent 记忆则更适合保存动态的协作上下文，例如近期项目状态、稳定偏好、任务约束和已经跑通的操作经验。
二者不是替代关系。对个人知识系统而言，更稳妥的分工是：
| 内容 | 适合保存的位置 |
|---|---|
| 原文、事实、正式结论和个人稳定认识 | Obsidian / Wiki |
| 正在发生的新对话和过程记录 | CFlow、日报等增量上下文入口 |
| 近期项目状态、协作偏好和跨会话经验 | Agent 记忆 |
| 已确认、可重复执行的方法 | Skills |
| 未经本人确认的 AI 推断 | 暂存或待审核，不进入正式 Wiki |
两种代表性路线
我比较了两个仍在快速迭代的开源项目：Memmy Agent 和 TencentDB Agent Memory。它们解决的是同一类问题，但方向并不相同。
Memmy：让不同 AI 记得同一个人
Memmy 的重点是个人、跨 Agent 和本地优先。它希望 Codex、Claude Code、Cursor 等工具使用同一套个人记忆，不必在每个入口重新介绍自己。
它提供桌面应用、CLI、Memory CLI 和 OpenAI 兼容接口，可以导入已有 Agent 的历史记录，也支持 Skills 与 MCP。记忆和应用状态默认保存在本机，更接近一个可以直接使用的个人 AI 工作台。
它适合这样的需求：
- 主要使用者是一个人；
- 同时使用多个 AI 编程或对话工具；
- 希望低成本获得跨会话、跨工具的连续上下文；
- 已经有自己的 Obsidian 或知识库，不希望再维护一套复杂组织结构。
TencentDB Agent Memory：让一支 Agent 团队继承经验
腾讯的方案更像 Agent 团队的记忆中台。它把记忆分成原始对话、原子信息、场景和 Persona 等层级，并把 Chat Memory、Skill、Wiki、CodeGraph 统一成记忆资产。
它进一步处理了团队场景中的问题：Owner、版本、状态、Team、Agent、Task 和 ACL。不同 Agent 可以装配不同资产，团队经验可以共享，私人记忆则通过权限隔离。
代价是系统明显更重。完整安装涉及 Memory Core、Hub、Knowledge 和 Proxy 等服务；使用之前还需要建立用户、Team 和 Agent。它更适合已经明确运营多 Agent 团队，并需要审核、权限、代码图谱和知识资产管理的场景。
为什么我现在先试 Memmy
我的现有系统已经有明确分工：Obsidian 保存原始材料和个人知识，Wiki 编译跨来源概念，Skills 封装可执行方法，Codex 与 Claude Code 负责具体工作。
现在真正缺少的不是另一个 Wiki，而是一层能够让不同 AI 延续近期项目背景和协作经验的个人记忆。因此，Memmy 与现有系统的重叠更小，试用成本也更低。
腾讯方案的能力上限更高，但它的 Wiki、Skill 和 CodeGraph 会与现有体系产生重叠。在没有明确出现多 Agent 权限管理需求之前，过早引入它，可能只是增加一个需要维护的系统。
衡量 Agent 记忆，不能只看“记住了多少”
真正值得信任的 Agent 记忆至少应该接受六项检验：
- 选择性：能否过滤寒暄、偶然表达和一次性噪声；
- 来源性：重要记忆能否回到原始对话或文件；
- 可修正性：错误和过期记忆能否修改、删除或降权；
- 召回质量：能否在正确任务中拿出少量但真正相关的信息；
- 隐私权限：是否明确区分用户、项目和 Agent 的访问边界；
- 实际收益：是否真的减少了重复说明、返工和上下文消耗。
记忆不是越多越好。无法遗忘、无法核验、无法纠错的“记忆”，最后很可能只是另一种上下文污染。
我的试用边界
第一阶段只让 Memmy 接触少量真实项目和部分 Agent 历史，不全量导入 Obsidian，也不让它自动回写正式 Wiki。
接下来重点观察：
- 它是否能识别稳定偏好，而不是把一次表达固化成人格；
- 新会话能否减少重复介绍背景；
- 记忆搜索是否比直接检索 Obsidian 更有价值；
- 错误记忆是否容易发现和删除；
- 模型调用成本和本机资源占用是否可以长期接受。
如果这些问题得到正面答案，Agent 记忆才真正从“看起来很聪明的功能”，变成个人 AI 系统中可以依赖的基础设施。
结语
知识库保存的是我们明确知道并愿意维护的知识，Agent 记忆保存的是 AI 为了继续协作而需要继承的上下文。
未来的 AI 竞争，不只是谁一次回答得更聪明，也是谁能够在保持来源、边界和纠错能力的前提下，持续理解同一个人、同一个项目，以及曾经共同走过的路。
Agent记忆方法的价值，不是让 AI 什么都记住，而是让它在正确的时候，记起真正有用的部分。