记忆能力是AI智能体构建高质量对话和个性化服务的核心。随着对话轮数的增加，如何让智能体保持对过去信息的理解能力，同时控制计算成本，是实现高效AI的关键。

如果忽视记忆策略设计，会出现两个主要问题：

1. 早期信息被遗忘，导致智能体理解偏差
2. 对话长度增加，模型处理成本和响应延迟显著上升

尽管开源框架如Mem0提供了便利，我们依然有必要理解不同记忆策略的原理，以便在项目中选择最适合的方案。本文将解析8种常用记忆策略，并结合模拟代码说明实现思路。

01 全量记忆：保留所有上下文

全量记忆是最直观的策略——每轮对话全部保留，供后续使用。

history = []

def add_message(user_input, ai_response):
    history.append({"user": user_input, "assistant": ai_response})

def get_context():
    return "\n".join([f"{h['user']} -> {h['assistant']}" for h in history])

特点分析

• 优点：实现简单，信息完整
• 缺点：对话增长快，会触发上下文限制；成本高
• 适用场景：短对话或一次性问答

02 滑动窗口：仅保留近期信息

通过固定长度窗口，只保留最近N轮对话，避免上下文无限膨胀。

WINDOW_SIZE = 3
memory = []

def add_message(user_input, ai_response):
    memory.append({"user": user_input, "assistant": ai_response})
    if len(memory) > WINDOW_SIZE:
        memory.pop(0)

def get_context():
    return "\n".join([f"{m['user']} -> {m['assistant']}" for m in memory])

特点分析

• 优点：低开销、实现简单
• 缺点：早期信息遗忘快，无法长期记忆
• 适用场景：FAQ、闲聊机器人等短对话场景

03 相关性过滤：智能筛选重要信息

为每条记忆打分，保留重要内容，丢弃次要信息。

MAX_ITEMS = 25
memory = []

def add_message(user_input, ai_response):
    score = evaluate_importance(user_input, ai_response)
    memory.append({"user": user_input, "assistant": ai_response, "score": score})
    if len(memory) > MAX_ITEMS:
        memory.remove(min(memory, key=lambda x: x["score"]))

特点分析

• 优点：关键内容不丢失，智能化管理
• 缺点：评分算法复杂，可能误判
• 适用场景：知识型对话或信息密集型场景

04 摘要/压缩：浓缩核心信息

将冗长对话压缩为摘要，只保留关键信息。

memory = []
summary = None
MAX_LEN = 10

def add_message(user_input, ai_response):
    memory.append({"user": user_input, "assistant": ai_response})
    if len(memory) > MAX_LEN:
        old_turns = memory[:-5]
        summary_text = summarize(old_turns)
        summary = merge(summary, summary_text)
        memory.clear()
        memory.append({"summary": summary})
        memory.extend(memory[-5:])

特点分析

• 优点：节省上下文空间，保留要点
• 缺点：摘要质量依赖模型，可能遗漏信息
• 适用场景：长对话、连续性用户交互

05 向量数据库：语义检索记忆

将对话内容向量化存储，基于语义进行检索，实现长期记忆。

memory = VectorStore()

def add_message(user_input, ai_response):
    embedding = embed({"user": user_input, "assistant": ai_response})
    memory.add(embedding, {"user": user_input, "assistant": ai_response})

def get_context(query):
    q_embedding = embed({"query": query})
    results = memory.search(q_embedding, top_k=3)
    return "\n".join([f"{r['user']} -> {r['assistant']}" for r in results])

特点分析

• 优点：语义检索，支持长期存储
• 缺点：依赖向量质量，需额外数据库维护
• 适用场景：个性化助手、跨会话记忆

06 知识图谱：结构化记忆

通过构建实体-关系图谱，实现信息的结构化存储与推理。

graph = KnowledgeGraph()

def add_message(user_input, ai_response):
    triples = extract_triples(f"User: {user_input}\nAI: {ai_response}")
    for s, r, o in triples:
        graph.add_edge(s, o, r)

def get_context(query):
    entities = extract_entities(query)
    context = []
    for e in entities:
        context += graph.query(e)
    return context

特点分析

• 优点：可做推理，信息可追溯
• 缺点：构建维护成本高
• 适用场景：科研、法律、企业客户服务等复杂场景

07 分层记忆：短期与长期结合

结合短期窗口与长期可检索记忆，实现类似人脑的分层管理。

short_term = SlidingWindow(max_turns=2)
long_term = VectorDatabase(k=2)

def add_message(user_input, ai_response):
    short_term.add(user_input, ai_response)
    if contains_key_info(user_input):
        long_term.add(embed(user_input + ai_response), summarize(user_input + ai_response))

def get_context(query):
    recent = short_term.get_context()
    related = long_term.search(embed(query))
    return f"【长期】\n{related}\n\n【短期】\n{recent}"

特点分析

• 优点：短期快速响应，长期记忆可检索
• 缺点：实现复杂，需要多模块协调
• 适用场景：个性化助理、跨天日程管理、企业客服

08 类OS内存管理：模拟Swap机制

参考操作系统内存管理，将近期对话视为“RAM”，历史信息视为“Disk”，需要时进行Page In。

active_memory = Deque(maxlen=2)
passive_memory = {}
turn_id = 0

def add_message(user_input, ai_response):
    global turn_id
    turn = f"User: {user_input}\nAI: {ai_response}"
    if len(active_memory) >= 2:
        old_id, old_turn = active_memory.popleft()
        passive_memory[old_id] = old_turn
    active_memory.append((turn_id, turn))
    turn_id += 1

def get_context(query):
    context = "\n".join([x[1] for x in active_memory])
    paged_in = ""
    for id, turn in passive_memory.items():
        if any(word in turn.lower() for word in query.lower().split() if len(word) > 3):
            paged_in += f"\n(Paged in from Turn {id}): {turn}"
    returnf"### Active Memory\n{context}\n\n### Paged-In\n{paged_in}"

特点分析

• 优点：冷热分层管理，节省资源
• 缺点：Page策略设计复杂，拼接逻辑需谨慎
• 适用场景：低延迟对话、高容量长期记忆需求

以上8种记忆策略涵盖了从简单到复杂、短期到长期、非结构化到结构化的多种实现思路。

通过理解这些原理，开发者可以根据业务需求选择最合适的记忆机制，实现高效、个性化和可扩展的AI智能体。

人工智能测试开发学习交流群

推荐学习

行业首个「知识图谱+测试开发」深度整合课程【人工智能测试开发训练营】，赠送智能体工具。提供企业级解决方案，人工智能的管理平台部署，实现智能化测试，落地大模型，实现从传统手工转向用AI和自动化来实现测试，提升效率和质量。