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

导语

没有记忆的智能体每次对话都是全新的开始，无法维持连贯性，也无法个性化响应。记忆管理通过短期记忆（上下文窗口）和长期记忆（向量数据库）两种机制，让智能体记住历史交互、用户偏好和学习经验，实现对话连贯性、个性化响应并持续改进。本文介绍 Google ADK 和 LangChain 的记忆管理架构、State 设计最佳实践与实战案例，适合需要构建持久化智能体的开发者。

TL;DR

• 核心：记忆管理分为短期记忆（上下文窗口/Session State）和长期记忆（向量数据库/外部存储），使智能体维持对话连贯性、个性化响应并持续改进。
• 价值：短期记忆维持对话流畅性，长期记忆实现跨会话连续性、个性化和学习能力。
• 架构：Google ADK 使用 Session（会话）、State（状态）、Memory（长期记忆）三要素；LangChain 使用 ChatMessageHistory、ConversationBufferMemory、InMemoryStore。
• 实践：State 使用前缀机制（user:/app:/temp:），通过 append_event 更新，禁止直接修改；Memory 使用语义搜索检索相关信息。
• 边界：上下文窗口越长越好是误解，应该用长期记忆存储重要信息；State 是临时便签，Memory 是永久档案。

---

是什么：记忆管理的核心定义

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。

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)

可视化示意图：

图1：记忆管理设计模式 - 从短期记忆到长期记忆的完整架构

读图要点：短期记忆用于当前对话，长期记忆用于跨会话知识存储和检索。

常见误解澄清：

• ❌ 上下文窗口越长越好：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。
• ❌ State 和 Memory 可以混用：State 是临时便签，Memory 是永久档案，职责不同。
• ❌ 可以直接修改 session.state：应该通过 append_event 更新，直接修改不持久化。

---

为什么：产生背景与适用场景

产生背景

无记忆的问题：

• 无法维持对话连贯性：每次对话都是全新开始，无法理解上下文。
• 无法个性化响应：无法记住用户偏好和历史行为。
• 无法持续学习：无法从过往经验中改进。

记忆管理的优势：

• ✅ 维持对话流畅性
• ✅ 实现跨会话连续性
• ✅ 个性化响应
• ✅ 持续改进和学习

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

---

怎么做：Google ADK 与 LangChain 实现

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

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")

---

对比与取舍：State 设计最佳实践

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

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)

---

常见错误与排错

典型坑位

问题	症状	识别方法	修复建议
State数据丢失	会话结束后数据消失	检查是否使用持久化SessionService	使用DatabaseSessionService或VertexAiSessionService
直接修改State	数据不持久化	检查是否使用append_event	通过append_event更新状态
State和Memory混淆	重要信息存储在State	检查数据生命周期需求	重要信息应存入Memory
上下文窗口溢出	超出Token限制	检查上下文长度	使用长期记忆存储历史

调试技巧

1. 检查SessionService类型：确认是否使用持久化服务。
2. 验证State前缀：确保正确使用user:/app:/temp:前缀。
3. 测试Memory检索：验证语义搜索是否正常工作。
4. 监控上下文长度：避免超出模型限制。

---

FAQ

Q1：上下文窗口越长越好吗？
A：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？
A：

• 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？
A：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？
A：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？
A：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？
A：

• 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

---

延伸阅读与引用

官方文档

• ADK Memory
• LangGraph Memory
• Vertex AI Memory Bank

---

总结

记忆管理是智能体实现连贯对话、个性化响应和持续学习的核心能力。通过短期记忆（Session/State）和长期记忆（Memory）的分层架构，智能体可以维持对话流畅性，同时实现跨会话的连续性和个性化。Google ADK 的三要素架构（Session、State、Memory）和 LangChain 的多种记忆类型为不同场景提供了灵活的选择。