记忆管理（Memory Management）| Agentic Design Patterns | 智能体设计模式

一、核心定义

记忆管理（Memory Management）：智能体保留并利用过往交互、观察和学习经验中的信息的能力,分为短期记忆(即时上下文)和长期记忆(持久化知识库)两种类型,使智能体能维持对话连贯性、个性化响应并持续改进。

可视化示意图：

图 1：记忆管理设计模式

记忆类比：

人类记忆          智能体记忆
──────────      ──────────────
工作记忆    →    短期记忆(Context Window / Session State)
长期记忆    →    长期记忆(Vector DB / External Storage)

---

二、短期记忆 vs 长期记忆

维度	短期记忆 (Short-Term)	长期记忆 (Long-Term)
存储位置	上下文窗口 / Session State	外部数据库 / 向量数据库
作用域	当前对话	跨多个会话
生命周期	会话结束后丢失	持久化存储
容量	受LLM上下文窗口限制	理论上无限
访问方式	直接读取	查询检索(语义搜索)
内容	最近消息、工具调用结果、反思	用户偏好、历史交互、知识库
类比	工作台/草稿本	档案室/图书馆

为什么需要两种记忆？

• 短期记忆：维持对话流畅性,处理当前上下文
• 长期记忆：实现跨会话连续性,个性化和学习能力

---

三、典型应用场景

1. 聊天机器人和对话AI

• 短期记忆：记住本次对话中的用户输入,生成连贯回复
• 长期记忆：调取用户偏好、过往问题历史

2. 任务导向型智能体

• 短期记忆：追踪已完成步骤、当前进度、总体目标
• 长期记忆：访问用户特定数据(如订单历史)

3. 个性化体验服务

• 长期记忆：存储用户偏好、历史行为模式、个人信息
• 价值：动态调整响应策略

4. 学习与性能优化

• 长期记忆：保存成功策略、错误经验、新获取知识
• 价值：持续改进,强化学习

5. 信息检索(RAG)

• 长期记忆：作为知识库,通过RAG检索相关文档
• 价值：准确回答问题

6. 自主控制系统

• 短期记忆：实时环境感知
• 长期记忆：地图信息、导航路线、学习的行为模式

---

四、Google ADK 记忆管理架构

核心三要素

组件	作用	生命周期	类比
Session	独立聊天线程,记录消息和动作	单次对话	会议记录本
State	会话内的临时数据(键值对)	单次对话	便签纸
Memory	可搜索的长期知识库	跨多个会话	档案室

1. Session（会话）

定义：一个独立的对话线程

包含内容：

• 唯一标识符(id, app_name, user_id)
• 事件历史(Event对象)
• 会话状态(state)
• 更新时间戳(last_update_time)

SessionService 实现方式：

类型	适用场景	持久化
<code>InMemorySessionService</code>	测试/开发	❌ 重启丢失
<code>DatabaseSessionService</code>	生产环境	✅ 数据库持久化
<code>VertexAiSessionService</code>	GCP生产	✅ Vertex AI托管

2. State（状态）

定义：会话的临时工作记忆,以字典形式存储数据

State 前缀机制：

前缀	作用域	生命周期	示例
(无前缀)	当前会话	会话结束销毁	<code>task_status</code>
<code>user:</code>	用户级,跨所有会话	持久化(取决于Service)	<code>user:login_count</code>
<code>app:</code>	应用级,所有用户共享	持久化	<code>app:feature_flags</code>
<code>temp:</code>	当前处理轮次	单次处理后销毁	<code>temp:validation_needed</code>

State 更新方式：

方法1：简单方式 - output_key

greeting_agent = LlmAgent(
    name="Greeter",
    model="gemini-2.0-flash",
    output_key="last_greeting"  # 自动保存响应到state
)

方法2：标准方式 - EventActions.state_delta

def log_user_login(tool_context: ToolContext) -> dict:
    state = tool_context.state
    state["user:login_count"] = state.get("user:login_count", 0) + 1
    state["task_status"] = "active"
    return {"status": "success"}

❌ 禁止直接修改：

# 错误示例 - 不要这样做!
session.state["key"] = "value"  # 绕过事件机制,不持久化

3. Memory（长期记忆）

MemoryService 实现：

类型	存储方式	适用场景
<code>InMemoryMemoryService</code>	内存	测试
<code>VertexAiRagMemoryService</code>	Vertex AI RAG	生产,语义搜索

核心操作：

• <code>add_session_to_memory()</code>: 从会话提取信息存储
• <code>search_memory()</code>: 语义搜索相关信息

---

五、LangChain / LangGraph 记忆管理

LangChain 短期记忆

1. ChatMessageHistory - 手动管理

from langchain.memory import ChatMessageHistory

history = ChatMessageHistory()
history.add_user_message("我下周要去纽约。")
history.add_ai_message("太好了！这是一个很棒的城市。")
print(history.messages)

2. ConversationBufferMemory - 自动集成

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(
    memory_key="history",      # 提示词中的变量名
    return_messages=True       # 返回消息对象列表(推荐)
)

# 集成到链中
conversation = LLMChain(llm=llm, prompt=prompt, memory=memory)

LangGraph 长期记忆

三种类型(类比人类记忆)：

类型	定义	实现方式	用途
语义记忆	事实和概念	用户档案(JSON)	存储偏好、领域知识
情景记忆	过往经历	少样本示例	学习如何完成任务
程序记忆	如何执行任务	System Prompt	核心指令,反思更新

InMemoryStore 示例：

from langgraph.store.memory import InMemoryStore

store = InMemoryStore(index={"embed": embed, "dims": 2})
namespace = ("user_123", "chitchat")

# 存储
store.put(namespace, "memory_key", {"rules": ["用户喜欢简短语言"]})

# 获取
item = store.get(namespace, "memory_key")

# 搜索
items = store.search(namespace, query="语言偏好")

---

六、Vertex Memory Bank

定义：Vertex AI Agent Engine 的托管长期记忆服务

核心能力：

• 使用Gemini模型异步分析对话历史
• 自动提取关键事实和用户偏好
• 按用户ID组织,智能更新和解决矛盾
• 支持完整召回或语义搜索

使用示例：

from google.adk.memory import VertexAiMemoryBankService

memory_service = VertexAiMemoryBankService(
    project="PROJECT_ID",
    location="LOCATION",
    agent_engine_id=agent_engine_id
)

# 自动存储会话记忆
await memory_service.add_session_to_memory(session)

跨框架支持：

• Google ADK (原生集成)
• LangGraph (API调用)
• CrewAI (API调用)

---

七、设计原则

黄金法则

1. 短期记忆用于连贯性：维持单次对话的流畅
2. 长期记忆用于持久性：跨会话保留重要信息
3. 分层存储：根据作用域和生命周期选择存储方式
4. 语义检索：使用向量数据库实现相似性搜索

State 设计最佳实践

✅ 应该做的：

• 保持简洁,使用基本数据类型
• 键名清晰,正确使用前缀
• 通过<code>append_event</code>更新状态
• 避免深度嵌套

❌ 不应该做的：

• 直接修改<code>session.state</code>字典
• 存储大量数据在State(用Memory)
• 混淆State和Memory的职责

---

八、关键概念速查

概念	定义
短期记忆	上下文窗口内的即时信息
长期记忆	外部存储的持久化知识
Session	独立的聊天线程
State	会话内临时数据字典
Memory	可搜索的长期知识库
SessionService	管理会话生命周期
MemoryService	管理长期记忆存取
EventActions.state_delta	标准状态更新方式
output_key	自动保存响应到State
语义搜索	基于相似性检索记忆
Memory Bank	Vertex AI托管记忆服务

---

九、常见问题

Q1：上下文窗口越长越好吗？
不一定。长上下文增加成本和延迟,且仍是短期记忆(会话结束丢失)。应该用长期记忆存储重要信息。

Q2：如何选择SessionService？

• 测试/开发：<code>InMemorySessionService</code>
• 生产(自建)：<code>DatabaseSessionService</code>
• 生产(GCP)：<code>VertexAiSessionService</code>

Q3：State和Memory的区别？
State是临时便签,Memory是永久档案。State用于当前会话数据,Memory用于跨会话知识。

Q4：如何避免State数据丢失？

1) 使用持久化的SessionService；2) 通过<code>append_event</code>更新；3) 重要信息应存入Memory而非State。

Q5：向量数据库如何实现语义搜索？
将信息转为向量,存储在向量数据库。检索时,将查询转为向量,计算相似度,返回最相关结果。

Q6：三种长期记忆类型如何选择？

• 语义记忆：事实和偏好 → 用户档案
• 情景记忆：如何做任务 → 少样本示例
• 程序记忆：核心指令 → System Prompt + 反思更新

---

十、参考资源

官方文档

• ADK Memory
• LangGraph Memory
• Vertex AI Memory Bank

代码示例

• 原文章节：<code>14-Chapter-08-Memory-Management.md</code>
• ADK Session/State示例(章节内嵌)
• LangChain Memory示例(章节内嵌)

扩展阅读

• 第 14 章：知识检索 RAG (长期记忆的核心实现)
• 第 4 章：反思 (程序记忆的更新机制)

---