大模型 Agent 的记忆（Memory）方案，按存储方式、时间跨度、结构化程度可以分成几类，通常会结合使用。大体可以分成以下几种主流思路：
1. 短期记忆（Short-term / Context Memory）
-
特点：直接放在模型上下文（prompt）里，随每次请求发送。
-
优点：读取快、无需额外存储。
-
缺点：受限于模型上下文长度，成本随 token 增加。
-
常用方式：
-
最近 N 条对话直接拼接到 Prompt
-
重要信息提炼成总结（Summary）再附加
-
Sliding Window（滑动窗口）策略
-
2. 长期记忆（Long-term Memory）
-
特点：将过往信息存到外部存储，按需检索。
-
常见实现：
-
向量数据库（Vector DB）
-
将历史对话/文档向量化（Embedding），用相似度搜索（如 cosine similarity）取回相关内容。
-
代表工具：Milvus、Weaviate、Pinecone、FAISS。
-
优点：语义检索，不依赖关键词；可扩展到百万级数据。
-
-
关键词索引（Keyword Index）
-
存储结构化信息，按关键词或标签匹配。
-
适合对高精确度、结构化查询有要求的场景。
-
-
混合索引（Hybrid Search）
-
语义检索 + BM25 等关键词检索混合，提高召回率。
-
-
3. 工作记忆（Working Memory）
-
特点：专门存储当前任务的中间结果、计划、变量等，不与长期对话混合。
-
实现方式：
-
JSON 状态对象（State Store）
-
临时数据库或内存缓存（Redis）
-
文件缓存（JSON/YAML）
-
4. 结构化知识库（Structured Knowledge Base）
-
特点：将 Agent 学到的事实或规则转化为结构化数据存储，方便精确调用。
-
实现：
-
Graph Database（Neo4j、ArangoDB）存实体与关系
-
SQL 数据库存事实表
-
用 Schema 存储技能（Skill）、工具（Tool）、知识点
-
5. 外部记忆插件（External Memory Plugins）
-
特点：通过 API 调用外部服务读写记忆，减少本地负担。
-
典型方案：
-
LangChain Memory 模块（如
ConversationBufferMemory、VectorStoreRetrieverMemory） -
LlamaIndex（原 GPT Index）持久化记忆
-
OpenAI Assistant API 的 “persistent thread”
-
6. 混合记忆架构（Hybrid Memory Architecture）
-
思路：
-
短期记忆：窗口内上下文
-
长期记忆：向量库+摘要
-
知识库：结构化事实
-
工作记忆：临时状态
-
-
优势：既保留对话连贯性，又能高效调用历史知识，不爆 token。
💡 常见组合示例：
-
LangChain：短期（Buffer）+ 长期（VectorStore）+ 工作状态（State）
-
OpenAI Assistant API：对话线程（短期+摘要）+ 外部数据库（长期）
-
AutoGPT：文件存储（长期）+ 短期 Prompt + 临时计划（JSON）
