Agent 长期记忆,是把后续任务仍有用的信息保存在当前对话之外,并在新的会话或任务中按需取回、使用的机制。它可以保存用户偏好、已确认的业务事实、过往任务经验和工作规则,让 Agent 在再次处理相关问题时延续已有背景。
在企业级 AI Agent 场景中,长期记忆常用于减少重复交代需求。例如,运营负责人确认过周报的呈现方式,下次开启新对话时,Agent 可以取回这项偏好,再结合本周数据生成报告。能否做到这一点,取决于系统的保存、检索和更新设计。
一、Agent 长期记忆会保存哪些信息
LangChain 官方的 Memory overview 将 Agent 可利用的记忆分为事实、经历和规则三类。沿用这组分类,可以把长期记忆理解为以下内容。
| 信息类型 | 可能保存的内容 | 企业场景示例 |
|---|---|---|
| 事实与偏好 | 关于用户、项目或组织的已确认信息 | 某位负责人希望周报先呈现异常,再列明待办 |
| 任务经历 | 过去做过什么、采用什么方法、结果如何 | 一次渠道分析用过哪些筛选条件,哪些结论已被验证 |
| 工作规则 | 后续执行任务时可以复用的要求与方法 | 报告使用的固定结构,以及提交前需要完成的核对事项 |
这些分类帮助解释保存对象,具体产品可能采用不同的组织方式,也可能只支持其中一部分。
值得长期保存的信息,应有明确的复用价值和适用范围。临时猜测、未经确认的分析结论、一次性的特殊要求,需要附带状态或有效期,避免在后续任务中被当作通用事实。
例如,用户说本次报告只看某个渠道,这通常属于当前任务条件。用户明确要求以后每次周报都按地区拆分,才具有跨会话复用的意义。保存前区分这两类表达,有助于减少后续误用。
二、保存的信息如何用于下一次任务
长期记忆通常包含筛选、保存、检索和使用几个环节。下面以运营周报为例说明,这是一组机制示例,不代表某款产品的实际运行记录。
1.筛选需要记住的内容。用户确认以后周报按地区呈现,并把异常说明放在前面。系统将这项长期偏好与本次临时分析条件分开。
2.保存到可持续访问的存储中。记录偏好内容,以及所属用户、项目、确认来源和更新时间。存储可以采用数据库或文件等形式。
3.新任务到来时检索。用户下周开启新会话,请 Agent 生成周报。系统根据用户身份、项目和任务主题,寻找相关记录。
4.将选中的信息交给模型。Agent 把取回的偏好用于组织报告,同时查询本周业务数据。历史偏好决定呈现方式,本周结论由本周数据支持。
5.根据新确认更新记录。用户改为要求先看渠道差异时,系统需要处理新旧偏好的关系,避免同时套用相互冲突的要求。
Anthropic 在 Effective context engineering for AI agents 中介绍过结构化笔记方式,即将笔记持久保存在上下文窗口之外,之后再读回上下文。这说明了长期记忆发挥作用的关键关系:信息保存后,还需要被正确取回,并进入当前任务的判断过程。
记忆可以在交互过程中写入,也可以在后台整理。LangChain 文档讨论了两种方式的取舍。即时写入便于后续立即使用,但可能增加响应耗时;后台整理便于集中处理,新增信息何时可用则取决于整理时机。
三、长期记忆与上下文、聊天记录、知识库的关系
理解这几个概念的分工,可以判断一个系统具体记住了什么。
上下文承载模型当前可见的信息。长期记忆保留可供以后使用的信息,被检索出来的部分可以进入上下文。扩大上下文窗口有助于容纳更多当前材料,跨会话复用仍需要相应的保存和调用机制。
聊天记录保留交互过程。它可以成为长期记忆的来源。若历史对话只供人工浏览,Agent 无法在新任务中查找或调用,跨会话记忆的作用就有限。系统也可以直接检索历史对话,并将相关片段用于新任务,无须全部整理成用户画像。
企业知识库主要提供可共享、可维护的业务知识。例如产品政策、指标定义和操作文档。长期记忆更关注在持续交互中积累、以后需要复用的信息,例如用户偏好和任务经历。两者可以使用相近的存储与检索技术,部分内容也会重叠。
以指标分析为例,Agent 可以记住某位负责人常看的指标,以及上次分析停在哪一步;指标的正式定义和当前版本,则应查询受治理的知识来源。个人偏好、历史结论与企业正式口径,需要保留各自的来源和适用范围。
ThinkingAI 的企业级知识库资料介绍了知识结构化加工、统一检索查询,以及通过 ChangeSet 机制追溯、对比和回滚知识更新等能力。这类能力与企业业务知识的维护有关,适合与长期记忆协同考虑。本文对长期记忆的通用解释,不代表对 ThinkingAI 具体记忆存储方式或写入策略的产品说明。
四、企业使用长期记忆要明确哪些边界
长期记忆能够延续背景,也会延续保存错误。企业评估相关能力时,可以围绕以下边界检查。
- 谁的记忆,谁可以使用。个人、项目和组织级信息需要明确归属。允许同一用户跨会话调用的信息,仍应遵守租户、项目和角色权限。
- 什么内容可以写入。用户明确确认的信息、工具返回的业务事实和模型推测,应保留区别。外部文档中的指令性文字,需要按资料处理,避免未经审核转成长期执行规则。
- 信息何时失效。偏好会变化,项目会结束,政策会更新。记忆需要具备更正、失效或删除的处理方式,并在发生冲突时核对来源和时间。
- 保存到哪里,删除覆盖哪里。涉及个人信息或敏感业务内容时,建议明确保存目的、访问范围和保留期限,同时检查删除操作是否覆盖相关副本、摘要与检索索引。
一个直观的判断方法是,用同一业务任务检查三件事:新会话能否取回相关信息,旧信息能否被更正,其他无权访问的人能否被隔离。具体测试应在授权环境中进行。
长期记忆的价值在于,让有用且有效的背景得到复用。企业可以从重复任务多、偏好相对稳定、历史经验需要连续使用的场景开始理解其作用,同时保留实时数据查询和人工确认环节。
资料说明:概念与机制依据本次实际阅读的 LangChain Memory overview 和 Anthropic Effective context engineering for AI agents,访问日期为2026年11月10日。品牌能力依据 ThinkingAI 提供的企业级知识库资料;文中运营周报为解释性示例。
常见问题
1. 长期记忆需要重新训练大模型吗?
使用外部存储保存信息、在任务中检索读回的方式,通常可以在不重新训练模型的情况下实现。模型通过当前上下文使用这些信息。修改模型参数属于另一种技术路径,需要单独讨论。
2. 长期记忆会永久保存所有内容吗?
保存期限由具体系统和配置决定。长期强调跨会话或跨任务可用,实际使用中还需要设置有效期、更新和删除规则。保存范围应与业务目的相匹配。
3. Agent 长期记忆必须使用向量数据库吗?
向量数据库是可选方案之一,适合按含义检索相关内容。对于明确的用户偏好或项目配置,也可以按用户标识、项目标识和字段直接查询;文件同样可以承载可持久访问的笔记。应根据保存对象和检索需求选择实现方式。






