Agent 记忆（Agent Memory）

单次模型调用本身是没有记忆的——它对当前对话『知道』的一切，都得靠每次调用时重新塞进上下文窗口的文字来提供。Agent 记忆就是智能体用来绕开这个限制的一整套办法：决定哪些信息值得往后带、装不下上下文的时候存到哪里、需要的时候怎么把它找回来。

这个问题通常以两种形态出现。同一个任务内部，一个要跑很多步的智能体需要记住自己已经试过什么、发现了什么、还剩什么没做——这部分通常叫工作记忆，大多数情况下就直接活在不断增长的上下文窗口里（上下文窗口涨大之后怎么管理，见 context-engineering）。跨会话的场景——用户第二天回来接着聊，或者一个长期运行的智能体要接着之前的进度往下走——智能体就需要一个在任何单次上下文之外都能持久存在的地方，通常叫长期记忆。

这两种记忆都没有统一必须遵循的架构。长期记忆常见的做法包括：把原始文本或摘要存进一个可检索的存储（常见的是向量数据库，按语义相似度检索），或者把过去发生的事按结构化记录逐条追加成一份事件日志（episodic log）供之后查询。具体选哪种，取决于智能体主要需要回忆的是事实、过去做过的决定，还是具体的历史交互内容。

怎么运作

实际落地时，记忆最终几乎都要回到上下文窗口里——把信息存在外部只有在智能体能把相关的那一小块找回来、再以文字（或结构化数据）的形式塞进后续的提示词时才有意义。所以一套记忆机制通常有一条『写入路径』（判断什么值得存、存成什么形式）和一条『读取路径』（判断当前这一步该取回哪些内容，通常按和当前任务的相关度或对历史条目做相似度检索）。写入路径判断错了，智能体会忘掉重要的事；读取路径判断错了，要么漏掉关键上下文，要么把提示词塞满不相关的历史信息。

举个例子

一个跨多个会话为同一个项目工作的编程 Agent，可能会把此前已经做过的架构决策摘要存进长期存储里，这样新开一次会话时不用从头重新推导一遍、也不用重读整个代码库——同时，它还是会用普通的工作记忆（也就是上下文窗口）来追踪当前这个任务本身的执行步骤。

和相关概念的区别

常见误解

常见问题