Agent 内存系统的取舍：什么值得记住，什么该遗忘

并非 Agent 看到的一切都值得记住。存得太少，它会忘记真正重要的内容；什么都存，记忆就会充斥噪声，等到检索时，真正有用的信号反而会被淹没。

提取这一步——决定保留什么，并将其提炼为干净、独立且完整的事实——是记忆系统中影响最大、也最容易被忽视的环节。

记忆始于一次取舍

刚刚发生的一切中，哪些值得保留？这是记忆系统需要回答的第一个问题，也是最重要的问题，但无论偏向哪个极端，都很容易出错。存得太少，Agent 会忘记真正重要的事情；什么都存，记忆就会被噪声填满，因为每一条无关记忆都有可能在错误的时刻被检索出来，淹没真正有用的内容。

什么值得记住

关于用户的稳定事实——偏好、背景，以及会在未来会话中反复产生影响的需求。

决策与结果——选择了什么、什么方法有效、什么方法失败，从而避免 Agent 对已经确定的事情反复争论、重新决策。

纠正信息——当人类纠正 Agent 时，这类纠正具有很高的记忆价值：必须牢牢记住。

持久状态——正在进行的工作处于什么状态、Agent 正在跟踪哪些实体，以及任何生命周期超过单轮对话的信息。

临时闲聊、与未来无关的一次性细节，以及到下一次会话时就会过期的内容，都是噪声。克制地不存储这些内容，与认真存储重要信息同样关键——塞满无关碎片的记忆库，其检索效果反而不如精简的记忆库。

好的记忆来自筛选，而不是照单全录。

免费《Agent Memory 快速入门》——用短短几页介绍四类记忆和完整闭环（存储、检索、反思、遗忘）。可免费下载。

将经历转化为干净的事实

原始对话往往杂乱无章，而存储的记忆应当干净清晰。提取过程通常会把一次交互提炼成简洁、独立且完整的陈述——例如“用户偏好 X”“项目截止日期是 Y”——而不是直接把整段对话记录存进去。一种常见模式是让模型自行总结哪些内容值得记住，从充满噪声的情景经历中提取出整洁的语义事实。

memories = extract(conversation)
# -> [{'content': 'prefers email over phone',
#      'subject': 'user_1837', 'type': 'semantic'},
#     {'content': 'had billing issue, resolved by refund',
#      'subject': 'user_1837', 'type': 'episodic'}]
store.add(memories)

独立且完整是关键属性：如果一条记忆只有结合最初的上下文才能理解，那么日后检索到它时，反而会造成困惑。

此外，还需要考虑提取时机。常见选择有两种：一种是在会话结束时执行，这样可以一次性提炼整个交互；另一种是在重要事件发生时增量执行，这样即使会话中途终止，也不会丢失信息。会话结束时提取更简单、成本更低，但如果一次交互没有正常结束，就可能导致信息丢失；增量提取捕获信息更可靠，代价则是需要更频繁地运行。许多系统会同时采用这两种方式。

想深入了解？《AI Agent Memory：完整指南》是一份完整参考资料——共 41 页、15 章和 5 个附录，包含一个完整的客服 Agent 实例，以及一条为期 30 天的落地路径。获取这份指南。

AI Agent 应该在记忆中存储什么？

关于用户的稳定事实（偏好、背景）、决策与结果、来自人类的纠正，以及正在进行的工作的持久状态。判断标准是：这些信息在未来的会话中是否仍然重要。

Agent 不应该存储什么？

临时闲聊、与未来无关的一次性细节，以及到下一次会话时就会过期的任何内容。不存储噪声与存储有效信号同样重要——无关记忆会在错误的时机浮现，降低检索质量。

记忆提取是如何工作的？

它会把杂乱的交互提炼成简洁、独立且完整的事实——例如“用户偏好 X”——而不是存储原始对话记录。一种常见方法是使用模型本身来总结值得记住的内容，将其整理成干净的语义事实。

应该在什么时候运行提取？

可以在会话结束时运行（更简单、成本更低），也可以在重要事件发生时增量运行（更可靠、运行更频繁）。许多系统会同时采用这两种方式——立即捕获明确重要的事实，并在会话结束时提炼其余内容。

为什么少存一些有时反而更好？

因为每条存储的记忆都有可能在检索时浮现。塞满无关碎片的记忆库，其检索效果不如精简的记忆库：真正重要的记忆会被那些无关紧要的内容掩埋。

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。