目前AI模型的智能发展到现在，Agent已成为最热门的产品形态。在Agent类产品的实现过程中，有两个关键要素：一是允许模型调用各类工具，二是赋予模型"记忆"能力以支持复杂任务的规划和长期操作。那么，Agent的记忆到底是什么？很多人说自己"训练"了一个Agent，实际上发生了什么？本文尝试解读Agent实现中主要的记忆来源和处理方式。

一、到底什么算是记忆？

在使用 Openclaw 等AI助手时，我们会感觉到它”记住”了自己的一些习惯、身份和常用指令，可以像一位熟悉我们的同事那样协作；但有时候，聊着聊着它似乎又突然忘记了某些内容，让人摸不着头脑。

那它到底记没记住呢？要回答这个问题，我们需要回归到AI神经网络对人脑的模拟机制中寻找答案。

参考人脑的研究，一种主流观点认为：长期记忆的形成依赖于神经元之间连接改变所产生的”印记”。特定的神经元连接模式及信号传递方式浓缩了所谓的”记忆”。当你再次回忆这些内容时，特定的神经元以特定模式被激活，产生的化学和电信号让你重现特定的记忆内容。

在Agent的产品结构中，实际上只有模型本身具备这种记忆能力。模型的人工神经网络记录了海量的”参数”，这些参数相互交织，构建了从输入到输出的复杂映射关系。就像人脑回忆某段记忆一样，每次输入都会经过神经元层层的传递计算，选择性激活，最终输出特定结果。

因此，如果参照人脑的记忆机制，模型在与单个用户的对话过程中，严格来说并没有能力“记住”任何新东西——模型本身的参数在使用过程中不会产生任何变化。它的”记忆”永远只包含训练数据所带来的知识。但为什么实际使用时，它确实表现得像是记住了某些信息？这些信息从何而来？

二、工作记忆与长期记忆

在人类认知活动中，首先形成的是短期工作记忆，比如刚读过的书页中的人名、上一行的计算结果等。这些短期记忆帮助我们持续完成任务，但会迅速遗忘；而另一部分记忆会经过”转存”机制进入长期记忆——这种记忆内容相对抽象模糊，却能持续很长时间，帮助我们形成稳定的自我认知、掌握必要技能、坚持长期目标等。

尽管使用Agent时我们并未改变模型本身，但为了帮助Agent像人一样工作，工程师们实际上为其设计了类似工作记忆和长期记忆的机制。

工作记忆（上下文窗口）

在与Agent的对话中，虽然表面上是”你一句我一句”的交互，但实际上，每次你发送消息时，系统都会将整个历史对话一并发送给模型。因此，模型每次回复都可以参考之前的全部对话内容。只要对话未被清空且未超出模型的最大上下文限制，它就能”记得”对话中的每一个细节。

然而，每个模型都有最大上下文长度限制。一旦超出这个限制，我们就不得不丢弃部分历史记录、开启新对话，或对聊天记录进行压缩处理。

因此，上下文中的内容就像工作记忆——它记住了当前对话的详细信息，但一旦超出容量，这些信息就会被”遗忘”。

在复杂任务（如编程）中，如果仅依赖这种机制显然是不够的（甚至可能无法完整阅读一个代码库）。因此，我们需要将上下文中的工作记忆”转存”为长期记忆。

长期记忆（外部知识库）

前文已提到，模型不经过训练不可能新增记忆，那么长期记忆如何构建？目前的主流方案是提供一个外挂知识库。

这就像记性不好的人把知识记在笔记本上——我们为Agent提供一个可读写的知识库。当上下文即将超限，或特定提示词触发时，Agent会将上下文中的关键内容写入知识库；当对话中需要特定知识时，通过检索机制从知识库中召回相关内容，加载到上下文中供本轮使用。

这样，一些需要永久保留的信息——如对话风格、用户身份、关键知识概念等——就能被Agent”长期记住”了。

但需要注意的是，记录知识时模型不可能将上下文一字不差地保存（这种机械记录也没有意义）。因此，长期记忆是对工作记忆的提取与压缩，类似于人类的长期记忆——它会变成相对抽象的形式，只保留关键信息。

至此，我们可以勾勒出Agent记忆机制的完整图景：

• 模型参数：内化的”真正”记忆（静态知识）
• 知识库：持久但抽象的长期记忆
• 上下文：短暂但具体的工作记忆

三、记忆紊乱：AI也会”阿尔茨海默”？

基于上述理解，Agent似乎已经具备完善的记忆机制，但在日常使用中，我们常发现它的记忆会出现紊乱：突然忘记某些内容，甚至记错信息。这些问题是如何产生的？从上述记忆结构中，我们可以找到线索。

问题的根源实际上来自两个方面：模型内化记忆无法实时更新 + 上下文长度限制。

外挂知识库是我们为解决这两个问题而设计的长期记忆工具。但何时存入、存入什么、何时取出、取出什么——这些关键环节仍依赖模型的”决策”。

存入环节：目前的工具通常在上下文接近限制时触发压缩存储，但用户往往不知道上下文何时到达阈值。触发压缩本身就会导致上下文丢弃部分细节，这正是用户感觉Agent”突然忘记”某些内容的主要原因。

取出环节存在两个问题：

1. 触发时机：由于知识库内容往往远超上下文限制，我们只能将知识库结构（或索引）提供给模型，由其判断是否需要获取信息。但模型可能更”信赖”自己的内部记忆而非外部信息，这时就会出现：即使知识库中已确认存储了某条信息，Agent仍会给出截然不同的回答。
2. 召回精度：一旦决定取出，模型如何找到真正对应的知识？这通常依赖搜索算法或相关性算法（如Embedding向量检索）。召回算法可能成为瓶颈——如果召回精准度不足，Agent可能产生答非所问的情况。

优化方向

针对这些问题，工程实践中已有诸多优化方案：

• 知识库分层：将核心关键知识始终加载在上下文，解决”何时获取”的问题
• 完整日志存储：将完整聊天记录同步存入知识库，作为可检索的历史，缓解压缩时机带来的信息丢失

但这些工程手段无法解决根本问题——Agent只是”表现得越来越像能记住信息”。或许，只有当某种新机制能够让模型在对话中直接进行训练或微调，将记忆真正内化到模型参数中时，我们才能见到真正可以”记住”你的Agent。