记忆是 Agent 区别于普通 LLM 调用的核心能力。本报告系统分析了 Agent 记忆的分层架构（Working/Episodic/Semantic/Procedural）、实现机制（向量存储/知识图谱/关系数据库）、检索策略（TTL + 使用频率衰减）以及持久化方案。报告以 Letta（MemGPT）、LangGraph、OpenClaw 等主流框架为案例，提供从开发到生产的完整技术选型指南。
核心结论：单一记忆类型无法满足复杂 Agent 需求，混合架构（Episodic + Semantic + Working Memory）已成为 2025 年事实标准。向量存储选型应按规模分层：开发阶段用 Chroma，生产环境用 PostgreSQL + pgvector 或托管服务（Pinecone/Weaviate）。
Agent 记忆受人类认知科学启发，形成四层分层架构[1][8]：
Working Memory（工作记忆）：相当于 Agent 的 "RAM"，存储当前 session 的活跃上下文。实现方式通常为滑动窗口或 KV Cache，容量受限于 LLM 上下文窗口[8]。
Episodic Memory（情景记忆）：存储具体的事件和对话历史，按时间序列组织。例如用户说过 "我偏好深色模式" 这类原始记录[2]。OpenClaw 将其保存为 memory/YYYY-MM-DD.md 格式的 markdown 文件[2]。
Semantic Memory（语义记忆）：存储结构化知识和事实，如用户偏好、领域知识。通常通过向量索引实现语义检索[1][5]。
Procedural Memory（程序记忆）：存储 "如何做" 的知识，包括工具使用模式、决策流程。表现为 Agent 的行为策略和工具调用序列[8]。
Letta（原 MemGPT）提出了 LLM-as-OS 范式，将记忆分为三层[6]：
| 记忆层 | 用途 | 可见性 | 存储方式 |
|---|---|---|---|
| Core Memory | 关键用户信息 | 始终注入上下文 | Memory Blocks |
| Recall Memory | 对话历史 | 按需检索 | 数据库持久化 |
| Archival Memory | 长期归档 | 语义搜索 | 向量存储 |
核心创新在于 Self-Editing Memory —— Agent 通过工具调用自主管理记忆块，实现记忆的读写更新[6]。
短期记忆的核心是维护对话状态，主流框架采用两种模式：
模式一：Checkpointer（检查点） LangGraph 使用 Checkpointer 保存对话线程状态[4][5]：
# LangGraph Checkpointer 示例
from langgraph.checkpoint.postgres import PostgresSaver
checkpointer = PostgresSaver(conn=pool)
checkpointer.setup() # 自动创建 checkpoints 表
# 每个 thread_id 对应一个独立对话
config = {"configurable": {"thread_id": "t456"}}
模式二：滑动窗口 + 压缩 保留最近 N 轮对话，对更早的历史进行摘要压缩。优点是成本可控，缺点是可能丢失细节[2]。
工作记忆是当前活跃任务的临时存储，类似于开发者的剪贴板或笔记本[8]：
工作记忆的关键设计参数[1]：
| 参数 | 说明 | 推荐值 |
|---|---|---|
| window_size | 滑动窗口大小 | 5-10 事件 |
| token_budget | 上下文令牌限制 | 1000-3000 |
| priority | 优先级排序 | episodic_recent > semantic_policy |
| dedupe | 去重策略 | source + hash |
| 方案 | 适用场景 | 优势 | 劣势 | 代表工具 |
|---|---|---|---|---|
| 向量存储 | 语义检索、模糊匹配 | 相似度搜索快 | 精确查询弱 | Pinecone, Chroma, Weaviate |
| 知识图谱 | 关系推理、实体关联 | 关系查询强 | 构建成本高 | Neo4j, Amazon Neptune |
| 关系数据库 | 结构化查询、事务 | ACID 保证、成熟 | 语义能力弱 | PostgreSQL, MySQL |
2025 年主流向量数据库对比[10]：
推荐方案：PostgreSQL + pgvector 是 2025 年的性价比之选[12]：
# PostgresStore 配置（LangGraph）
from langgraph.store.postgres import PostgresStore
store = PostgresStore(
conn=pool,
index={
"dims": 1536, # embedding 维度
"embed": "openai:text-embedding-3-small",
"fields": ["text"] # 需要向量化的字段
}
)
store.setup() # 自动创建表 + 启用 pgvector 扩展
MongoDB 官方提供了 LangGraph 集成，适合已有 MongoDB 基础设施的团队[5]：
# MongoDB Store 特性
- 跨线程记忆存储（cross-thread memory）
- 灵活过滤（flexible filtering）
- 语义搜索（semantic search）
- 与 MongoDB Atlas 深度集成
2025 年的最佳实践是 Episodic + Semantic 混合检索[1]：
配置示例[1]：
{
"episodic_window": {
"mode": "last_n_events",
"n": 5,
"filters": {"session_id": "sess_7"}
},
"semantic_retrieval": {
"top_k": 5,
"filters": {"tags": ["policy"], "pii": false},
"reranker": {"enabled": true, "model": "cross_encoder_mini"}
},
"merge_policy": {
"dedupe": "source+hash",
"priority": ["episodic_recent", "semantic_policy"],
"token_budget": 3000
}
}
记忆衰减结合 TTL 和使用频率两个维度[9]：
衰减因子计算：
relevance_score = base_score × recency_weight × access_weight × explicit_boost
其中：
- recency_weight = exp(-age_days / ttl_days)
- access_weight = log(access_count + 1) / log(max_access + 1)
- explicit_boost = 1.5 if 用户标记重要，否则 1.0
TTL 推荐值[1][9]：
| 记忆类型 | TTL 建议 | 说明 |
|---|---|---|
| Session 临时 | 0（仅当前 session） | 工作记忆 |
| 对话历史 | 30 天 | Episodic，可 consolidation |
| 用户偏好 | 永久（需显式标记） | Semantic，Core Memory |
| 临时上下文 | 24 小时 | 任务相关缓存 |
Checkpoint 模式（对话状态快照）[4][5]：
# Checkpointer 自动保存每个 super-step 的状态
from langgraph.checkpoint.postgres import PostgresSaver
checkpointer = PostgresSaver(conn=pool)
checkpointer.setup()
# 恢复时指定 thread_id
config = {"configurable": {"thread_id": "t456", "checkpoint_id": "abc123"}}
state = graph.get_state(config) # 获取历史状态
Store 模式（跨线程长期记忆）[5][11]：
# Store 提供跨 session 的持久化
store.put(
namespace=("email_assistant", "triage_preferences"),
key="user_rule_1",
value={"rule": "always ask before deleting", "importance": 0.9}
)
# 语义检索
results = store.search(
namespace=("email_assistant",),
query="用户偏好设置",
limit=5
)
| 场景 | 恢复方式 | 实现 |
|---|---|---|
| 对话续接 | Checkpoint 恢复 | graph.invoke(input, config) |
| 跨 session 记忆 | Store 检索 | store.search(namespace, query) |
| 灾难恢复 | 数据库备份 | pg_dump / mongodump |
| 迁移 | Schema 导出导入 | Export/Import API |
OpenClaw 采用文件系统作为记忆存储，具有零依赖、Git 友好的优势[2]：
~/.openclaw/workspace/
├── MEMORY.md # Semantic Memory（长期知识）
├── SOUL.md # Procedural Memory（行为规范）
└── memory/
├── 2026-03-24.md # Episodic Memory（当日记录）
└── 2026-03-23.md
优点：版本控制、人类可读、无需额外基础设施 局限：大规模语义检索效率低，建议搭配向量索引
本报告与 [设计·02] Agent 组件设计 中的记忆部分形成呼应，补充了实现层面的具体方案：
| 设计阶段定义 | 开发阶段实现 | 本报告覆盖 |
|---|---|---|
| 记忆组件接口 | Store / Checkpointer API | 第 5 章 |
| 短期记忆策略 | 滑动窗口 / Checkpoint | 第 2 章 |
| 长期记忆存储 | 向量 DB / 图 DB / RDBMS 选型 | 第 3 章 |
| 记忆生命周期 | TTL + 频率衰减 + Consolidation | 第 4 章 |
| 记忆分层定义 | Working/Episodic/Semantic/Procedural | 第 1 章 |
Agent 记忆实现的关键要点：
分层是必须的：Working/Episodic/Semantic/Procedural 四层模型已成为共识，单一记忆类型无法满足复杂场景[1][8]
混合检索是标配：Episodic（时间序列）+ Semantic（向量搜索）+ Reranker（精排）三阶段检索是 2025 年最佳实践[1]
PostgreSQL + pgvector 是性价比之王：同时支持 Checkpointer（短期）和 Store（长期），SQL 生态成熟，成本可控[12]
TTL + 频率 = 智能衰减：纯 TTL 过于机械，需结合访问频率实现自适应记忆管理[9]
Memory Consolidation 是关键一步：定期将 Episodic 压缩为 Semantic，防止记忆爆炸[2][6]
Letta 的 Self-Editing Memory 代表前沿方向：Agent 自主管理上下文窗口，实现动态记忆分配[6][7]