二、为什么 Agent 一定需要记忆系统？很多人以为 Agent 只要有大模型、有工具调用、有工作流编排就够了。但真实业务里，Agent 很少只是一次性问答。比如一个测试开发助手，用户第一轮说：这个项目是电商下单链路，核心接口包括登录、商品查询、购物车、提交订单、支付回调和订单状态查询。 测试方案要按业务风险分层，不要只按接口数量堆用例。第十轮用户说：那你帮我把这套接口自动化方案整理成评审文档。如果没有记忆系统，Agent 可能已经忘了：项目是电商下单链路核心接口有哪些用户要求按业务风险分层前面已经确认过哪些高风险场景哪些方案已经被用户否定过自动化脚本需要考虑哪些环境约束最后生成的内容可能看起来很完整，但完全不贴合当前任务。这就是很多 Agent Demo 能演示、难落地的原因。它不是不会回答，而是不会持续记住上下文。三、Agent 记忆系统整体架构一个比较完整的 Agent 记忆系统，可以抽象成下面这张图：从工程视角看，记忆系统不是简单地“保存聊天记录”。它至少包含五个模块：四、短期记忆方案一：固定窗口截断最简单的短期记忆方案，就是固定窗口截断比如：只保留最近 10 轮对话只保留最近 8000 个 token超出窗口的历史内容直接丢弃伪代码大概是这样：def build_short_term_context(messages, max_rounds=10): return messages[-max_rounds:]或者按 token 控制：def truncate_by_token(messages, max_tokens): result = [] total_tokens = 0 for msg in reversed(messages): token_count = count_tokens(msg["content"]) if total_tokens + token_count > max_tokens: break result.insert(0, msg) total_tokens += token_count return result
发布于 北京
分享
评论
1
未登录
友善发言
评论
加载中
