Agent 记忆机制

一、 Agent 记忆的理论本质

所谓的“Agent 记忆”，在理论上其实是状态管理与上下文注入。

1. 记忆的三种形态

• 短期记忆： 是高保真的无损切片（最近几轮对话的原文）。
• 长期记忆： 是降维后的特征向量或摘要。
• 实体记忆： 是结构化剥离出来的核心标签（Key-Value 属性）。

2. 记忆的生命周期

• 感知： 接收用户输入。
• 工作区： 在当前推理周期内，暂存思考过程。
• 巩固： 对话结束后，将短期记忆进行价值评估，有用的被抽取为实体属性或转化为向量冷备，无用的被丢弃。
• 唤醒： 下次对话时，根据当前线索，从冷库中唤醒相关片段。

二、 LangGraph 记忆体系架构

在 LangGraph 中，所有的记忆都被抽象成了两个核心概念：状态（State） 和 持久化。

业务边界界定 在实际业务中（例如用户询问：之前 XXXXX 故障，现在处理的如何？），严格意义上，外部工单数据库或向量检索（RAG）属于大模型的工具调用，不属于 Agent 本身的内部记忆架构，但调用的结果会成为记忆的一部分。

LangGraph 记忆体系仅由以下三个核心模块构成：

1. 运行态记忆：图状态

State 是一个结构化的数据字典（通常包含 messages 列表及其他自定义字段），在图的各个节点之间流转。

• 生命周期： 存在于内存中，单次 Invoke 结束后即刻释放。
• 追加机制： State 中的数据通常不是简单覆盖，而是通过 operator.add 等函数进行追加。例如新回复会被追加到现有的 messages 列表中。
• 工程处理： State 是最终传递给大模型的上下文。因此需要设计专门的处理，例如压缩对话、摘要、滑窗。

2. 线程级记忆：检查点

Checkpointer 是对 State 的持久化存储层，解决多轮对话的连续性问题，生命周期与单一会话绑定。

Checkpointer 的工作机制（快照与恢复）：

• 快照 (Snapshot)： 在图的节点执行完毕、挂起等待用户回复时，自动将内存中的 State 序列化，作为快照存入底层的关系型数据库。
• 恢复 (Resume)： 当用户再次发送消息时，系统通过同一个 thread_id 从数据库捞出最后一次的快照加载回内存，大模型瞬间获得完整的历史对话上下文。

3. 跨线程记忆：实体存储

是一种全局的键值对的保存，是一种长期用户画像，通常基于 user_id进行划分。 例如 Agent 在某次对话中提取到“设备是华为的手机/路由器”，就调用特定节点将其写入 Store。用户下次发起全新对话时，系统直接从 Store 提取该标签强行注入 System Prompt。