智能体设计模式：记忆管理 Memory，让 Agent 不再健忘
没有记忆的 Agent，只是一次性问答。真正能干活的 Agent，必须记得上下文、任务进度和长期偏好。
一、为什么需要记忆？
前面讲了规划。规划解决“下一步做什么”。记忆解决“之前发生过什么”。
没有记忆，Agent 每次都像第一次启动。用户刚说过的信息会丢，工具刚查过的结果会丢，任务做到哪一步也会丢。
所以，记忆不是高级功能。它是 Agent 从“聊天机器人”走向“任务系统”的必备能力。
二、记忆到底是什么？
记忆不是把所有历史都塞进 Prompt。那样会越来越慢、越来越贵，也更容易让模型分心。
更合理的做法，是把信息分层：最近对话放 Session，任务进度放 State，长期事实放 Memory，需要时再检索出来。
•Session：当前会话历史，解决“刚才聊了什么”。
•State：当前任务状态，解决“任务做到哪一步”。
•Long-term Memory：跨会话长期记忆，解决“这个用户/系统长期有什么信息”。
•Retrieval：按需召回，解决“这次问题真正需要哪些历史”。
三、核心流程：先读，再答，最后更新
一个带记忆的 Agent，每次运行至少有三步。
•运行前：读取会话、读取状态、检索长期记忆。
•运行中：模型推理，必要时调用工具，工具结果进入状态。
•运行后：追加事件、更新状态，把值得保留的信息写入长期记忆。
关键点在于“按需”。不是所有历史都要进上下文。只把与当前任务相关的信息交给模型。
四、三层记忆怎么分？
很多 Agent 项目失败，不是因为没有记忆，而是因为把记忆做乱了。
临时信息存进长期库，会造成脏数据。长期偏好只放在当前 Prompt，又会在下一次对话丢失。
•短期记忆适合保存最近对话和上下文。长了就摘要，不要无限堆。
•State 适合保存任务进度、工具结果、当前步骤。它更像运行时变量。
•长期记忆适合保存稳定事实、用户偏好、历史结论和可复用经验。
•RAG 可以作为长期知识的一种实现，但 RAG 不等于全部记忆。
五、源码级逻辑：MemoryManager 应该放在 Agent 前后
工程上不要把记忆逻辑散落在每个 Prompt 里。更好的方式，是抽一个 MemoryManager。
它在 Agent 运行前负责读取和压缩上下文；在 Agent 运行后负责写事件、更新状态、沉淀长期记忆。
这也是主流框架的方向。LangGraph 把短期记忆放在 agent state 中，并通过 checkpointer 让线程可以恢复；长期记忆则通过 store 按 namespace 和 key 保存。OpenAI Agents SDK 的 Session 会在每次运行前自动读取会话历史，在运行后保存新消息。Google ADK 则把 Session、State、MemoryService 拆成清晰组件。
六、案例：售后客服 Agent
用户说：“上次那个退款还没到账，再帮我看一下。”
如果没有记忆，Agent 只能追问：哪个订单？什么时候申请的？之前怎么处理的？
如果有记忆，流程就不一样。
•从 Session 里知道用户上一轮问过退款到账时间。
•从 State 里拿到当前退款工单 ID。
•从 Long-term Memory 里知道用户偏好短信通知。
•调用退款系统查询状态。
•返回明确结果，并按偏好补发通知。
这才是用户真正需要的体验：不用重复解释，系统能接着上次继续处理。
七、不要把记忆做成风险源
记忆越强，风险越大。因为它会保存历史，也可能保存错误、过期或敏感信息。
最重要的一条：不要什么都记。
密码、身份证号、银行卡号、敏感健康信息、未经确认的推测，都不应该随意进入长期记忆。
生产环境必须支持查看、删除、过期和审计。记忆不是黑盒，用户和系统都要能管。
八、什么时候该上 Memory？
•只做单轮问答：可以不做 Memory。
•需要多轮对话：至少要做 Session。
•需要多步骤任务：必须做 State。
•需要个性化、跨会话延续：必须做 Long-term Memory。
•涉及隐私、财务、医疗、交易：必须加权限、审计和删除能力。
九、总结
Memory 不是让 Agent “什么都记住”。
Memory 的核心，是把有用信息放到正确位置，并在正确时间拿出来。
Session 保连贯。State 保进度。Long-term Memory 保长期能力。
做到这一步，Agent 才能从一次性问答，升级成能持续工作的系统。
内容来源：智能体设计模式：记忆管理 Memory，让 Agent 不再健忘：功能变化与行业影响解析_热闻岛