如何设计 Agent 的短期记忆和长期记忆？

Memory是 Agent 的一个关键模块。请问如何为 Agent 设计短期记忆和长期记忆系统？可以借助哪些外部工具或技术？

记忆模块是Agent打破LLM上下文窗口限制、实现持续学习和个性化的关键。设计Agent的记忆系统通常会模仿人类的记忆机制，分为短期记忆和长期记忆。

1. 短期记忆 (Short-Term Memory):

• 作用： 存储当前任务的上下文信息，包括即时对话历史、中间的思考步骤（如ReAct的Scratchpad）、工具的调用结果等。它是Agent进行连贯思考和行动的基础。
• 实现方式：
  • LLM的上下文窗口 (Context Window): 这是最直接的短期记忆载体。所有最近的交互都会被放入Prompt中。
  • 缓冲区 (Buffers): 在Agent框架（如LangChain）中，通常会使用不同类型的缓冲区来管理对话历史，例如：
    • ConversationBufferMemory: 存储完整的对话历史。
    • ConversationBufferWindowMemory: 只保留最近的K轮对话。
    • ConversationSummaryBufferMemory: 在历史对话过长时，动态地用LLM进行总结，以节省Token。
  • 暂存器 (Scratchpad): 用于记录ReAct框架中的“Thought-Action-Observation”轨迹，是Agent进行逐步推理的关键。

2. 长期记忆 (Long-Term Memory):

• 作用： 存储跨越任务和时间维度的信息，如用户的个人偏好、过去的成功/失败经验、领域知识等。它使得Agent能够“学习”和“成长”。
• 实现方式与外部工具： 长期记忆的核心是“存储”和“检索”，这通常需要借助外部技术，最主流的是RAG (Retrieval-Augmented Generation) 范式。
  • 核心技术：向量数据库 (Vector Database)
    • 工具： Pinecone, ChromaDB, FAISS, Weaviate等。
    • 工作流程：
      1. 存储（Storing/Writing）： 当Agent获得一个有价值的信息（如用户明确给出的偏好、一个成功解决问题的完整流程）时，它会使用一个嵌入模型（Embedding Model）将这段文本信息转换成一个高维向量。然后，将这个向量及其原始文本存入向量数据库。
      2. 检索（Retrieving/Reading）： 在Agent进行规划或决策时，它会把当前的任务或问题也转换成一个查询向量。然后，用这个查询向量去向量数据库中进行相似度搜索，找出与当前情况最相关的历史记忆。
      3. 使用（Using）： 检索到的记忆（原始文本）会被插入到LLM的Prompt中，作为额外的上下文，来指导LLM做出更明智的决策。
  • 其他技术：
    • 传统数据库/知识图谱： 对于结构化或关系型数据，使用SQL数据库或图数据库（如Neoj）进行存储和精确查询也是一种有效的长期记忆形式。