Agent记忆模块：让大模型“记住”你，还能省Token！
在人工智能飞速发展的今天，大语言模型（LLM）已经能帮我们写代码、做菜、解答问题……但你有没有想过一个问题：为什么每次和AI聊天，它好像都不记得上一句说了什么？
答案很简单：大模型本身是“无状态”的（Stateless） 。就像HTTP协议一样，每一次请求都是独立的——这是为了高并发、低延迟、节省算力而设计的。但现实中的任务往往是连续的、有上下文依赖的。比如：
“红烧肉怎么做？”
“好吃吗？”
“需要哪些食材？”
如果AI不记得前面聊过“红烧肉”，第二句“好吃吗？”它根本不知道你在问什么！
于是，Agent记忆模块（Memory） 就成了智能体（Agent）的基石。
一、为什么需要记忆模块？
1. LLM 本身没有记忆
- 每次调用模型，只看到当前输入的 Prompt。
- 如果你想让它“连贯对话”，必须把之前的对话历史也塞进 Prompt 里。
- 这个“塞进去的历史”，就是 messages 数组 —— 最基础的记忆形式。
2. RAG 和微调 vs 记忆
- RAG（检索增强生成） ：用低成本（embedding + cosine 相似度）给 LLM 补充精准上下文，效果好、成本低。
- 微调（Finetune） ：虽然能提升能力，但训练成本高、流程复杂，不适合日常对话场景。
- 记忆（Memory） ：轻量、灵活、可持久化，是构建智能 Agent 的核心组件。
✅ 结论：LLM + Tool（干活） + RAG（知识库） + Memory（记忆） = 真正的 AI Agent
二、最简单的记忆：messages 数组
在 LangChain 等框架中，一次对话的上下文通常由一个 messages 数组表示：
[
new SystemMessage("你是一个做菜助手"),
new HumanMessage("红烧肉怎么做？"),
new AIMessage("首先准备五花肉..."),
new HumanMessage("好吃吗？")
]
这个数组会被完整传给 LLM，让它“知道上下文”。
但问题来了：对话越长，Token 越多，成本越高，还可能超出模型上下文窗口（比如 128K）！
三、如何解决“记忆太长”的问题？
方案1：截断（Truncation）—— 只保留最近几轮
就像手机聊天记录自动滚动，我们只保留最新的 N 条消息：
const maxMessages = 4;
const allMessages = await history.getMessages();
const trimmedMessages = allMessages.slice(-maxMessages); // 保留最后4条
这叫 滑动窗口（Sliding Window） 或 LRU（最近最少使用）策略。
💡 优点：简单高效
❌ 缺点：可能丢掉重要早期信息（比如“我叫张三”）
方案2：自动总结（Summarization）
把前面的对话压缩成一段摘要，再和新消息拼接：
原始对话：
- 用户：我叫张三
- AI：你好张三！
- 用户：我喜欢编程
- AI：用什么语言？
→ 总结为：“用户是名叫张三的程序员。”
这样既保留关键信息，又大幅减少 Token。
LangChain 支持自动触发总结（比如当 Token 使用率达 80% 时），也可以手动触发命令如 /compact。
方案3：持久化 + RAG 式检索
把历史对话存到文件或数据库，下次需要时再“召回”：
- 新任务 → 开新会话（Session）
- 老任务 → 加载旧会话继续聊
- 超长历史 → 不直接塞进 Prompt，而是通过 RAG 检索相关片段
这正是 Cursor、Devon 等 AI 编程工具的做法：它们不仅能记住你上次写的代码，还能跨会话理解你的编程风格！
四、实战：用文件持久化记忆
下面这段代码展示了如何用 FileSystemChatMessageHistory 把对话存到本地文件：
import { FileSystemChatMessageHistory } from "@langchain/community/stores/message/file_system";
import { HumanMessage, AIMessage, SystemMessage } from "@langchain/core/messages";
const filePath = "chat_history.json";
const sessionId = "user_session_001";
const history = new FileSystemChatMessageHistory({ filePath, sessionId });
// 用户提问
await history.addMessage(new HumanMessage("红烧肉怎么做？"));
// 获取全部历史（含系统提示）
const messages = [systemMessage, ...(await history.getMessages())];
// 调用模型
const response = await model.invoke(messages);
// 保存AI回复
await history.addMessage(response);
下次运行程序时，只需用相同的 sessionId，就能恢复整个对话上下文！
🎯 这就是“有状态”（Stateful）对话的实现方式。
五、高级技巧：智能管理 Token
好的 Agent 会动态监控 Token 消耗：
import { getEncoding } from 'js-tiktoken';
const enc = getEncoding("cl100k_base");
const tokens = enc.encode(fullPrompt).length;
if (tokens / contextWindow > 0.8) {
// 自动触发总结或截断
}
开发者甚至可以提供命令：
/clear：清空记忆，开启新任务（省 Token！）/compact：手动压缩历史
👨💻 既能 vibe coding（沉浸式编程），又能控制成本——这才是聪明的 AI 工程师！
六、总结：记忆是 Agent 的灵魂
记住：
- 无记忆 → AI 是“金鱼”，7秒就忘
- 有记忆 → AI 是“伙伴”，越聊越懂你
通过 messages 数组 + 截断/总结 + 文件持久化 + RAG 检索，我们就能构建一个既聪明又省钱的 AI Agent。
未来，你的 AI 助手不仅能记住你爱吃的菜，还能记得你讨厌的编程风格、常用的函数命名习惯……这一切，都始于一个小小的 记忆模块。
🌟 Agent 的进化 = 记忆的积累
从 Stateless 到 Stateful，从一次性问答到终身学习伙伴——
记忆，让 AI 真正“认识”你。
