Day 13｜记忆工程（Memory Engineering）最佳实践

——让 AI 拥有“长期理解力”的工程化方法*

一句话总结：
记忆系统不是“让模型变聪明”，而是让智能体“不会重复犯同样的错”。 记忆工程是现代 AI智能体中最被低估、同时也是最关键的能力之一。

如果你的智能体出现过以下问题

• 上下文一长就失忆
• 连续任务无法承接
• 用户偏好记不住
• 工具调用规则老是忘
• 多轮对话逻辑断裂
• Agent 在一个长任务中迷路、跑偏
• A 工作流执行正常，B 工作流立即忘光

那么你现在缺少的不是模型，而是：一个完整的 Memory Architecture（记忆架构）。今天这篇，你将系统掌握：

• 记忆工程的 4 层结构化模型
• 哪些内容应该记忆？哪些不能记忆？
• 如何避免错记、幻觉记忆、污染记忆？
• 工作流智能体的“任务记忆模板”
• 用户画像（User Profile）的工程设计
• 工具使用记忆（Tool Memory）的最佳实践
• 长任务执行的“状态记忆（State Memory）”
• 以及：最终可复用的 Memory Engineering 框架

这篇会非常工程化，属于可以直接上生产环境的那种。

一、记忆是什么？不是文本，而是“结构化事实”

所有初学者都在做一个错误事情：把用户话当成“记忆内容”塞进 prompt 或 vector store。这是错的。记忆真正的定义：

记忆 = Agent 在未来决策时必须持有的结构化事实（Structured Facts）。

所以，记忆不等于：“用户说过这个，我就记住”。而是：“这个信息对未来决策是否有效、有用、且稳定？”记忆必须满足三件事：

条件	解释
稳定性	未来长时间有效，不会频繁变化
显著性	和智能体的任务强相关
显著性	可决策性 未来会影响模型的行动/选择

二、Memory Engineering 的 4 层架构（重点）

真正的记忆系统 = 4 个记忆层 + 2 个过滤器 这是行业里用得最稳定、可规模化的架构。

• 0️⃣ 短期上下文（Context）
• 1️⃣ 工作记忆（Working Memory）
• 2️⃣ 长期记忆（Long-term Memory）
• 3️⃣ 程序性记忆（Procedural Memory）
• 4️⃣ 语义记忆（Semantic Memory）
• ——（两个过滤器：Extraction Filter + Relevance Filter）

0️⃣ 短期上下文（一次对话的 context window）

特点：

• 存活时间：几十秒～几分钟
• 作用：模型即时推理
• 不存储
• 任务中断即失效 这不是“记忆”，只是模型的活跃上下文。

1️⃣ 工作记忆（Working Memory）

——任务级别的短期记忆（Session Memory）** 用途：

• 在一段任务过程保存必要的数据
• 跨多轮对话保持状态
• 多工具调用维持一致性
• 避免模型遗忘关键变量 典型内容：
• 当前任务目标
• 用户当前需求
• 当前草稿、分析、计算结果
• 未完成子任务

例子（写文章 agent）：

{
  "task": "生成文章",
  "stage": "outline",
  "draft": "",
  "style": "专业、工程化",
  "target_length": "1800-2200字"
}

工作记忆在任务结束时 自动清空。

2️⃣ 长期记忆（Long-term Memory）

——用户画像 + 偏好系统** 这是智能体“个性化能力”的根基。 属于长期稳定、不随任务清空的信息。 存储两类内容：

（A）用户偏好（Preference Memory）

如：

• 喜欢文章风格：工程化
• 排版偏好：H2、H3、短句
• 项目方向：大模型 + 工程化实践
• 禁忌：不要口语化表达
• 文件输出格式偏好：Markdown

（B）用户画像（User Profile）

如：

• 身份：测试工程师
• 核心任务：构建 AI 文章体系、自动化
• 技能水平（用于动态解释深浅）：中高级 长期记忆必须通过： 显著性过滤（Significance filtering） 稳定性过滤（Stability filtering） 判断是否值得保存。

3️⃣ 程序性记忆（Procedural Memory）

——Agent 的动作规则、工具规则，这是最重要、最容易被忽视的一层。 内容包含：

• 工具调用规范
• 输入输出 schema
• 失败重试策略
• 约束条件
• 工作流规则
• 安全限制
• 模型行为边界

例子：

{
  "tool_rules": {
    "search": "需要明确检索关键词",
    "write_file": "必须指定合法路径，不得覆盖用户未授权文件"
  },
  "agent_rules": {
    "always_finalize_tasks": true,
    "use_react_for_complex_tasks": true
  }
}

你可以把它理解为：“Agent 的操作系统”。程序性记忆不会随着用户变化，只随系统升级变化。

4️⃣ 语义记忆（Semantic Memory）

——外部事实知识（如 RAG）这层是：

• 向量数据库
• 结构化知识库
• 文档库
• 域知识
• 产品/接口/数据库 schema
• 框架、模型能力文档

这类信息不是“记住用户说过什么”，而是：Agent 需要的外部真实世界知识。

• 测试工程师的 API 文档
• 产品 PRD
• 技术规范
• 你的文章结构模板
• 你的写作手册

语义记忆 = “Agent 的长期知识库”。

三、记忆过滤器：不是什么都能记

记忆工程最关键的是“过滤”，避免 AI 存垃圾记忆。

1）Extraction Filter

（从对话中抽取有效事实） LLM 负责判断：

“这句话包含事实吗？需要 structured extraction 吗？”

例如： 用户说：

“文章风格不要太口语化。”

提取为：

{
  "fact": "user_style_preference",
  "value": "避免口语化"
}

2）Relevance & Stability Filter

（事实是否值得保存？） 判断：

• 会长期影响决策吗？
• 是偏好还是一次性？
• 是否可能很快变化？
• 是否与任务强相关？

拒绝存储：

• 情绪
• 一次性信息
• 模糊信息
• 不相关信息
• 即时变化的信息

四、Memory Engineering 的 3 份核心模板

（A）用户偏好记忆模板（Preferences Memory Template）

{
  "writing": {
    "style": "专业、工程化、结构化",
    "tone": "清晰、信息密度高",
    "format": "Markdown",
    "avoid": ["口语化", "冗长", "无结构内容"]
  },
  "interaction": {
    "explain_level": "专业，但避免啰嗦",
    "step_by_step": true
  }
}

（B）工作记忆模板（Working Memory Template）

{
  "task_goal": "",
  "subtasks": [],
  "current_stage": "",
  "intermediate_results": {},
  "constraints": {},
  "final_deliverable": ""
}

（C）程序性记忆（Tools + Rules Template）

{
  "tools": {
    "search_api": {
      "required_fields": ["query"],
      "retry_policy": "3 retries",
      "usage_example": "... ..."
    },
    "write_file": {
      "required_fields": ["path", "content"],
      "safety": "cannot overwrite unapproved paths"
    }
  },
  "agent_rules": {
    "multi_step_reasoning": "ReAct",
    "must_verify_results": true,
    "halt_on_uncertainty": true,
    "fallback_mechanism": "ask_for_clarification"
  }
}

五、长任务记忆（State Memory）如何保证 Agent 不迷路？

长任务最怕两种情况：

• ❌ 执行到一半忘记前面的步骤
• ❌ 多工具调用间状态不一致

解决方案：在每一步执行后更新 State Memory（状态记忆）。 示例（文章生成任务）：

{
  "task": "写文章",
  "stage": "生成大纲",
  "outline": [
    "什么是 Prompt Drift",
    "工程化 Prompt 的 SOPS 框架"
  ],
  "next_action": "开始写正文"
}

状态记忆的关键是：

• 每次行动后的更新
• 每个阶段有明确状态
• 可恢复（resumeable）
• 可检查（verifiable）

六、记忆污染与错记的 4 大防护机制

这是最常见的坑。

1）记忆必须结构化存储，不存自然语言

❌ “用户说他比较喜欢偏工程化风格。” ✔ "style": "engineering, structured"

2）记忆必须最小化（Minimal Memory）

只存：

• 对任务关键
• 长期有效
• 可决策信息

3）记忆必须可编辑、可清除（可塑性）

允许：

• 用户修改偏好
• 用户要求删除某段记忆
• 系统自动淘汰旧偏好

4）记忆不能当作真理（Hallucination Guard）

所有写入记忆的内容必须来自：

• RAG 文档
• 结构化 extraction
• 用户明确陈述

模型自己的推理不能写入记忆。

七、最终的 Memory Architecture（可直接使用）

把所有层级组合起来：

─────────────
0. Context（短期上下文）
─────────────
1. Working Memory（任务级记忆）
─────────────
2. Long-term Memory（用户偏好 + 用户画像）
─────────────
3. Procedural Memory（工具 + 规则）
─────────────
4. Semantic Memory（知识库）
─────────────

并在写入前经过：

• Extraction Filter
• Relevance Filter 这是目前最稳定、可工程落地、可扩展的记忆工程体系。

---

记忆不是“记住更多”，而是“保留必要、可行动的事实”。** 今天你已经拿到一个可作为工程规范的 Memory Framework：

• 4 层记忆结构
• 2 大过滤器
• 3 类模板
• 状态记忆机制
• 防污染原则
• 可规模化的完整架构

能把记忆工程做好的 Agent，才是真正有连续性、可用性、可扩展性的 Agent。