今天我们进一步谈谈，如何为AI Agent设计一个结构化的记忆系统。一个像人脑那样既有分类分层记忆、不仅能“记录”，更能“理解”、“反思”和“借鉴”的认知架构。
最近正好读了三篇相关的技术论文，觉得很有意思：
第一篇是 MIRIX AI 团队的《MIRIX: Multi-Agent Memory System for LLM-Based Agents》，他们模仿人脑，设计了六个不同的“记忆组件”和一个管理团队，让 AI 能长期、多样地记住你的信息，还有点初步的总结能力。
第二篇是 Zep AI 团队的《ZEP: A TEMPORAL KNOWLEDGE GRAPH ARCHITECTURE FOR AGENT MEMORY》，他们搞了个带时间戳的知识图谱，让 Agent 的记忆不再是静止的，而是能跟着时间动态变化。
第三篇是耶鲁、OPPO 这些团队一起写的《AGENT KB: Leveraging Cross-Domain Experience for Agentic Problem Solving》，他们想让 AI 像个专家一样，能“借鉴经验”，解决一个问题后，下次遇到类似的就知道怎么抄近路了。更牛的是经验的跨域共享和动态进化，我把它归结为“经验工程”。
所以，我试着把这三篇论文里最精华的想法给串起来，攒成了一个三层记忆的认知架构。目的就是想给 AI Agent 装上一个真正好用的大脑，不仅让它能“记住”，还能让它慢慢形成“自我认知”，讲出有深度的故事，最后还能用上所有人的智慧。
这个三层记忆架构，每一层干的活儿都不一样，但它们得配合起来才行。
第一层：个体基础记忆层，只属于你的资料库
第二层：深度洞察记忆层，把零散信息连起来
第三层：集体经验记忆层，大家的经验教训
这三层不是简单地堆叠在一起。资料库提供的是“食材”（原始信息），深度洞察层把“食材”做成“美味佳肴”（你的专属洞察），而经验库则提供了全世界的“高级菜谱”（最佳策略），告诉 AI 怎么才能做得又快又好。
下面，我们就一层一层拆开来看看。
这层的设计思路就是从 MIRIX 论文里来的，核心就是模仿人脑，给不同类型的记忆分不同的区。它不是一个乱糟糟的硬盘，而是一个由好几个专业的“记忆盒子”和一队“管理员”组成的系统。
这层的核心是六个设计好的记忆盒子，每个盒子只存一种特定的信息，这样找起来就快，也不会乱。而且这些盒子本身就带有一些结构，所以第一层自己就有了一点智能。
1. 核心记忆 - 关于“你”和“我”的基本设定
名字: '小旅',角色: '你的旅行规划师',性格: ['贴心', '懂得多'],目标: '帮你规划完美的旅行'}"。这是它一切行动的出发点。用户名: '李明',职业: '建筑设计师',习惯: {'座位': '靠窗', '酒店风格': '精品设计酒店'},过敏源: ['花生']}"。旅行风格: '喜欢深度游，避开游客'”。这样核心记忆就很精炼。2. 情景记忆 - 带时间戳的“发生过的事”
事件: '用户提问',时间: '2025-07-15 15:02',谁: '李明',大概内容: '问去京都看枫叶的最佳时间',细节: {'提到地点': ['岚山', '清水寺']},推测心情: '很期待',详细日志: '......' }"。3. 语义记忆 - 你个人的“维基百科”
旅行主题->历史文化->去过的地方->罗马”。点开“罗马”，里面还有更详细的信息：“罗马: {标签: ['古迹', '美食'],最佳季节: '春秋',你的评价: '很喜欢'}"。旅行目的地->南美洲->历史遗迹”下面，而不是让它孤零零地飘着。4. 程序记忆 - 可以一步步执行的“操作手册”
类型: '任务流程',名称: '标准国际机票预订流程',步骤: [{'第1步': '搜索航班', '参数': {'目的地': '...', '日期': '...'}}, {'第2步': '验证用户护照信息', '参数': {}}, ...]}"。5. 资源记忆 - 你给它的文件，都加了索引
文件名: '我的日本签证申请表.pdf',类型: 'pdf',内容摘要: '包含个人信息、行程和酒店预订单...',提取出的信息: ['护照号 G123456', '东京帝国酒店', ...]}"。6. 知识金库 - 加了密的“保险箱”
类型: '护照信息',所有者: '李明',加密数据: 'encrypted(...)',敏感级别: '高',谁能用: ['李明本人', '订机票那个流程']}"。这六个盒子一起工作，就给 AI 建好了一个关于你的、全面又安全的资料库。
光有盒子还不够，还得有个管理团队来决定东西往哪儿放、怎么取。MIRIX 的设计里就有这么一个团队，由 8 个智能体组成。
这个团队主要干两件事：更新记忆和查找记忆。
当你说句话，或者传张图，这个流程就开始了：
当你问问题时，这个流程就开始了，比更新要更聪明一点：
通过这么一套分工明确的架构，资料库这一层不仅存了信息，还保证了存得有序、找得快，给 AI 打下了一个扎实的记忆基础。
如果说第一层解决了“记住什么”的问题，那这一层就是要解决“理解什么”的问题。这层的想法主要来自 ZEP 论文，他不是重复记录第一层已有的信息，而是在第一层丰富的结构化记忆之上，进行深度的、跨组件的合成、关联与推理。他将那些看似孤立的“记忆碎片”，用因果和时间编织起来，最终形成一张动态的、能看出门道的个人知识网。
这层的核心，是个叫时态知识图谱的东西。我们拆开看：
知识图谱：就是用点（代表人和物）和线（代表关系）来表示知识。比如，“李明”- [喜欢] ->“历史古迹”。这样 AI 就能像人一样，在不同概念间建立联系。在这个图谱中，点之间的连接权重，不仅仅基于直接的逻辑关系，还会受到共现频率、时间邻近性、情感强度（从第一层的情景记忆中推断）等多种因素的影响。
双时态：这是 ZEP 设计最妙的地方。在它的知识图谱里，每一条“线”（关系）都记了两个时间：
事件时间（Valid Time）：这件事在现实世界里是什么时候发生的。这样做的好处是，AI 能分清“客观事实”和“它的认知”。
举个例子，你说：“我从2020年就想去冰岛，但今年突然对热带雨林感兴趣了。”
AI 就能很清楚地记录下这个变化。
简单说，就是它不仅知道“是什么”，还知道“从什么时候开始”以及“到什么时候结束”。
再举个例子：
(李明) - [喜欢的旅行主题是] -> (历史古迹)。(李明) - [喜欢的旅行主题是, 事件时间 从: 2018-01-01, 到: 2023-12-31， 系统时间 从: 2018-01-01, 到: 2023-12-31] -> (历史古迹)。同时，可能还有另一条：(李明) - [喜欢的旅行主题是, 事件时间 从: 2024-01-01, 到: 现在， 系统时间 从: 2024-01-01, 到: 现在] -> (自然风光)。就是这两个小小的时间戳，让 AI 明白了“变化”。它知道你的喜好会变，所以给你的建议也会与时俱进。
这张图谱的“养料”，主要来自第一层资料库里的情景记忆和语义记忆。你可以认为这一层是对第一层核心记忆、情景记忆、语义记忆的连接、反思和深层理解。
这层不会直接存聊天记录，而是有一套流程，把原始信息提炼成结构化的知识。
(我) - [喜欢] -> (潜水)。(用户) - [偏好] -> (跟团游)的关系，然后把它标记为“已结束”，再新建一条(用户) - [偏好] -> (自由行)的关系。有了这张网，AI 的能力就完全不一样了。
把不同类型的记忆串起来：
以前，核心记忆（个人偏好）、情景记忆（发生过什么事）和语义记忆（这是什么东西）是分开的。但在这层，它们被连起来了。比如，资料库的情景记忆里有“你上周末去了一家土耳其餐厅”，语义记忆里有“土耳其是个历史悠久的国家”。这层就会在知识网里加一条线，把“去餐厅的经历”和“土耳其这个国家”连起来。下次你问“我最近对哪个国家感兴趣？”，它就能从这次吃饭的经历，猜到你可能对土耳其感兴趣。
实现联想（睹物思情和听曲思人）：
这是这层最神奇的地方。因为知识是网状的，一些看起来不相关的事也能被串起来。
睹物思情：假设知识网里有这么几条关系：
(你) - [在...度蜜月, 时间: 2019-08-10] -> (圣托里尼岛)
(圣托里尼岛) - [在] -> (希腊)
(你妻子) - [一起度蜜月, 时间: 2019-08-10] -> (圣托里尼岛)某天你跟 AI 说“我想找个安静的海岛放松一下”，它不只会给你列一堆热门海岛。它会顺着知识网联想到，“希腊海岛”跟你的“蜜月回忆”有关。它可能会很巧妙地回应：“好的。说到安静的海岛，希腊那边不错。比如圣托里尼，那里的日落很美，很多人都在那儿留下了美好回忆。你想重游故地，还是探索些新地方呢？”
听曲思人：再比如，假设你每次和好朋友“Cathy”视频聊天的时候，都喜欢放同一首爵士乐当背景音乐（AI能听到并认出这首歌）。慢慢地，AI 就会在它的知识网里，把“和 Cathy 聊天”这件事，跟“这首爵士乐”这条线给连起来。时间长了，这条连接会变得很强。所以，某天你一个人在家放起这首歌时，即使 Cathy 根本不在，AI 知识网里跟这首歌连着的最强的那个点——“Cathy”——就会被点亮。这时候，AI 也许就会很自然地问一句：“这首曲子让我想起了 Cathy，你们最近还好吗？”
这种能力让 AI 的对话一下就有了人情味。
为了管好这张复杂的知识网，我们专门设了一个深度洞察管理器。它干两件事：
有了这一层，AI 才算真正开始“思考”。它不再是被动地记东西，而是主动地去理解你，洞察你话语背后的深层含义。
一个人再聪明，经验也有限。如果一个 AI 犯过的错，还得让成千上万个别的 AI 再犯一次，那就太浪费了。第三层集体智慧经验库的目标，就是让 AI 能从所有人的智慧里学习，不再单打独斗。
这层的想法主要来自 AGENT KB 论文，他们搞了一套方法，把一次次的具体操作，总结成通用的“方法论”，我把它归纳为“经验工程”，这在《为什么AI Agent会“重复犯错”？治愈失忆的解药是能自我进化的“经验工程”》一文中也有深入探讨。
这个经验库的基础，叫经验单元。它不是简单的聊天记录，而是对一次完整的“解决问题过程”的总结和提炼。
经验单元的产生，就是个从“个例”到“通则”的过程：
每个总结出来的经验单元都遵循一个标准结构，这样才方便查找和使用。
问题模式：描述“这是个什么样的问题”。不是具体的问题，而是对问题类型的概括。比如，“欧洲多国火车旅行规划”、“带小孩长途飞行的方案”。
目标：说明这个问题要达成的最终效果。比如，“生成一张无缝衔接的火车行程表”、“提供一个能订到婴儿摇篮的航班组合”。
解决方案轨迹：这是经验单元的核心，就是总结出来的“方法论”或“操作步骤”。它只说“该干什么”和“为什么这么干”，不涉及具体的代码。比如：
Rail Europe这种聚合平台规划大概路线。”适用场景：说明这个经验适合什么情况，比如是家庭游还是背包客，是旺季还是淡季。
相关经验：说明这个经验和其他经验的关系，比如“是某个经验的简化版”。
示例，一个经验单元：
{"问题模式":"欧洲跨国火车票预订成本过高或路线不优","目标":"找到成本最低且换乘最合理的火车票组合","解决方案轨迹":["使用聚合平台（如Omio、Trainline）进行初步的跨国路线和时刻规划","对长途或关键路段，分别查询各国铁路官网（如德国DB、法国SNCF）进行比价","检查关键路段（如高铁、夜车）是否需要强制预订座位，并单独完成预订","整合所有分段车票，生成统一的行程单"],"适用场景":"领域：旅行规划，场景：欧洲自由行，难度：中级","相关经验":"类似任务：廉价航空多段航程组合、日本铁路周游券（JRPass）性价比计算"}通过这个过程，海量的、一次性的操作记录，就变成了宝贵的、能反复使用的智慧。
怎么让 AI 高效地用这些经验呢？AGENT KB 论文提了一个很妙的师生模式。关键是，老师不是等学生犯错了才出来，而是在整个过程中一直在旁边看着、指导着。
假设一个 AI 接到个新任务：帮一个用户规划第一次日本自由行。
学生 Agent - 领个大方向：
老师 Agent - 全程监督和细节提醒：
学生 Agent - 听取指导并修正：
这个师生合作的模式，把宏观的战略（学生搜来的）和微观的技巧（老师实时提醒的）结合了起来，最大的好处就是大大减少了无效的试错。AI 不用再自己去撞南墙了，而是出发前就拿到了地图，每个路口还有导航员实时提醒。
这个经验库不是一成不变的，它是一个能动态进化的生态。
有了这一层，AI 才算真正学会了“传承”和“借鉴”。它不再是一个孤独的探索者，而是站在所有前人的智慧之上。
好了，我们把这三层合起来，看看一个拥有这种记忆系统的 AI 旅行规划师“小旅”是怎么工作的。
开始：一个简单的想法
李明对小旅说：
“嘿，我想去意大利旅行，帮我规划一下吧。”
一个普通的 AI 可能会直接给你一个网上抄来的“罗马-佛罗伦萨-威尼斯”十日游。但小旅不一样。
第一步：翻开你的专属资料库 - “我记得你......”
小旅收到请求后，立刻去第一层资料库里翻看关于李明的所有信息。
初步画像形成：
这已经不是一个简单的“意大利旅行”了，而是一个非常具体的需求：“给热爱文艺复兴艺术、喜欢《教父》、想在10月去摄影的建筑设计师李明，规划一个两周的意大利行程。”
第二步：开始深度洞察 - “我懂你......”
这个初步画像被交给了第二层，深度洞察层的管理员开始在李明的个人知识网上深挖。
(电影《教父》)和(西西里岛)这个地点连了起来。一个普通攻略里不常有的地方，就这么出现了。(李明) - [和...聊天] -> (前女友张悦)，聊天内容里提到他们共同的梦想——“将来一定要一起去‘五渔村’看日落”。虽然这段关系早就结束了（关系线上有时间戳标记），但“五渔村”这个地方，和一个强烈的情感记忆绑在了一起。思考变得更有人情味：
AI 心里的计划变得更复杂了：“行程里得有西西里岛，满足他对《教父》的热爱。五渔村是个有特殊意义的地方，我可以把它作为一个可选项提出来，让他自己决定要不要去。住宿标准得是精品设计酒店，才符合他的身份。”
第三步：查阅大家的经验教训 - “我教你......”
现在，小旅已经很清楚要“为谁规划”和“规划什么”了，但“怎么规划得最好”，还需要经验库的帮助。
学生 Agent向经验库提问，问题模式是“结合艺术、电影、摄影主题的意大利深度游规划”，场景是“10月份、中高端、可能自驾”。
获取宏观经验：经验库返回了一条高分经验：“1. 罗马和佛罗伦萨之间坐高铁，比飞机划算。2. 玩托斯卡纳最好是租车自驾，但一定要躲开ZTL（限行区）。3. 10月去乌菲兹美术馆人少，但票必须提前一个月在官网订，不然排队几小时。4. 西西里岛公共交通不方便，最好包车...”
老师 Agent开始全程监督。当学生 Agent 规划到托斯卡纳自驾时，老师 Agent 立刻从经验库里找到一条相关的避坑技巧：“警告：托斯卡纳古城ZTL罚款超高！经验说，最好租带ZTL规避功能的车，而且酒店订在城墙外走路能到的地方，能省一大笔停车费和罚款。”
最终的规划指令成型
到此，小旅已经准备好了一份极其详尽的“提示词”，用来交给底层的大语言模型生成最终的规划。
# 角色和目标
你是个顶级的旅行规划专家，正在帮一个叫李明的客户做一个两周（10月）的意大利深度游。你的目标是做一个详细、贴心、能直接用的每日行程。
# 客户画像
- **身份**: 35岁建筑设计师，审美要求高。
- **兴趣**:
- 文艺复兴艺术：行程要重点安排佛罗伦萨，给乌菲兹美术馆留足时间。
- 电影《教父》：行程必须有西西里岛的相关地点。
- 摄影：要考虑托斯卡纳的田园风光，给日出日落的“黄金时间”留出拍照空档。
- **预算和风格**: 中高端，住精品设计酒店。
- **个人历史**:
- 五渔村对他有特殊意义（和一段旧恋情有关）。把它设计成一个可选项，可以去一两天，描述的时候巧妙地提一下那是个适合独自回忆或创造新记忆的地方，让他自己选。
- **健康提醒**: 他花生过敏，推荐餐厅时要特别注明，并附上一句意大利语的“我对花生过敏”（"Sono allergico/a alle arachidi"）。
# 执行方法和最佳实践
- **交通**:
- 大城市之间（罗马-佛罗伦萨）坐高铁。
- 托斯卡纳必须安排自驾。租车方案要说清楚包含全险和ZTL规避功能。行程里要标出推荐的城外停车场。
- 西西里岛建议包车或跟小团。
- **门票**:
- 乌菲兹美术馆和梵蒂冈博物馆的票，要在行程里标明“必须马上去官网预订”，并附上链接。
- **小提示**:
- 提醒他带上自己存的“常用意大利语短语”PDF，并建议装个离线翻译APP。
# 输出格式
根据以上所有信息，生成一份详细的每日行程规划（注：提示词中黑色文字来自第一层记忆、蓝色文字来自第二层记忆、红色文字来自第三层记忆）
最终的输出
当语言模型拿到这份具体到发指的指令后，它生成的结果，绝对不是网上那些千篇一律的攻略能比的。那会是一份充满了理解、洞察和专业建议的完美行程：佛罗伦萨的安排会细致到哪个美术馆值得逛半天；托斯卡纳的自驾路线会标出最佳拍照点和安全停车区；西西里岛的描述会巧妙地融入《教父》的元素；而关于五渔村的建议，则会写得温暖又有分寸，给他充分的选择空间。
这，就是一个拥有三层记忆大脑的 AI 能做到的事，一种真正的“智能”。
从第一层的精细记录，到第二层的深度洞察，再到第三层的集体智慧，我拼出来的这个三层记忆架构，给如何实现一个好用的 AI Agent 记忆系统，画了一条还算清晰的路。
有了这个架构，AI 就不再是个冷冰冰的问答工具了。
这不只是技术上的进步，更可能重塑我们和 AI 的关系。当然，这条路还很长，数据隐私、经验质量怎么控制等等问题都还在。但通往真正懂你的、聪明的 AI 的那扇门，好像已经被推开了一条缝。门后的世界，我觉得值得我们去期待。
致谢：引力城智能技术院的何总，在本文成文的过程中提供宝贵的参考材料和建议。
#智能体#Agent#认知架构#记忆系统#经验工程#知识图谱#上下文工程#提示工程
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |