Agent Memory（代理记忆） 是指能让AI Agent记住跨对话的上下文和历史信息，从而提供连贯、个性化服务的系统或组件。它本质上是一个外部记忆库，解决了大型语言模型（LLM）作为核心大脑时存在的两大“失忆”问题。

为了理解其必要性，可以先看一个对比：

🧠 核心作用与能力分层

一个完善的Agent Memory系统，通常会分层管理不同类型的记忆：

注： Agent Skills 本质上就是一种高度结构化、可复用的程序记忆，它告诉Agent“如何完成任务”。

🔧 技术实现核心：存储与检索

Agent Memory的通用技术架构遵循“编码-存储-检索”流程：

1. 记忆提取：从对话历史或结果中，自动识别并提取关键信息（如用户说“我喜欢用Python”）。
2. 记忆存储：将提取的信息（常转为向量嵌入）存入外部数据库。
3. 记忆检索：当新对话发生时，根据当前查询，从数据库中检索最相关的记忆片段，并注入到当前对话的上下文（提示词）中，供模型参考。

这种架构将模型有限的“大脑”（上下文窗口）与无限的“外部硬盘”（记忆库）结合了起来。

💡 实际应用场景

• 编程助手（如Cline）：记住项目的技术栈、架构决策、待办事项。下次你问“我们之前讨论的API怎么改？”，它能立刻记起。
• 个性化助理：记住你的偏好、习惯、个人资料，提供定制化服务。
• 游戏NPC：记住与玩家互动的历史，做出有连续性的反应。
• 客户服务：记住用户的过往咨询记录，避免重复提问。

简单来说，如果把Agent比作一个医生，那么 Memory 就是它的病人病历系统，而Skills则是它的临床操作指南手册。两者结合，才能让Agent从“一次性问答机”升级为真正专业的“个人专属顾问”。

Agent Memory有实现标准吗？

目前还没有统一的、被全球广泛接受的Agent Memory实现标准。该领域正处在技术路线快速演化和标准体系建设的早期阶段。