在人工智能智能体（AI Agent）的架构中，记忆体（Memory）是其核心组件之一。正是有了记忆，Agent 才能摆脱“单次对话、说完即忘”的局限，具备上下文感知、自我进化和长期规划的能力。

通常，一个完整的 Agent 记忆系统主要包含以下三大核心内容：

1. 短期记忆（Short-term Memory）

短期记忆类似于人类的工作记忆（Working Memory）或计算机的 RAM（内存）。

• 包含内容： 当前任务的上下文、多轮对话的历史记录、以及刚刚执行完的操作结果。
• 实现方式： 主要依赖于大语言模型（LLM）的上下文窗口（Context Window）。
• 特点： 读写速度极快，但容量有限。一旦对话重置或超出模型的上下文Token限制，这部分记忆就会被清除或遗忘。

2. 长期记忆（Long-term Memory）

长期记忆类似于人类的经验与常识，或计算机的硬盘驱动器（Hard Drive）。它允许 Agent 在很长一段时间（甚至跨越不同的运行周期）内保留和检索信息。

• 包含内容：
  • 用户的个人偏好与画像： 例如用户的习惯、高频需求、特定指令（如“每次写代码都要附带单元测试”）。
  • 历史成功经验与教训： 过去解决类似问题的步骤、失败的尝试（用于避坑）。
  • 外部领域知识： 注入的专业文档、规章制度等。
• 实现方式： 通常结合向量数据库（Vector DB）进行快速的语义检索（RAG），或者通过定期总结（Summarization）将核心信息沉淀到结构化数据库中。
• 特点： 容量几乎无限，能够持久化存储，但检索和读取需要一定的计算开销。

3. 感知与过程记忆（Sensory & Procedural Memory）

这部分记忆决定了 Agent “如何与环境交互”以及“如何执行复杂任务”。

• 包含内容：
  • 环境状态记忆： Agent 对当前所处系统、数据库、物理或数字环境的感知状态。
  • 工具与SOP（标准作业程序）： Agent 知道自己有哪些工具可用（如API、代码执行器、网络搜索），以及在什么阶段该用什么工具。
  • 反思与规划记录： Agent 在思维链（CoT）中产生的“内心独白”（例如：“上一步报错了，我需要换一种方法提取数据”）。
• 实现方式： 结合动态状态机、Prompt工程中的 Few-shot 示例，以及 ReAct 等推理框架。