记忆

为什么智能体需要记忆？它和 RAG 差在哪？

模型调用是无状态的。同一个进程里的历史列表能撑住这一次会话，进程一重启就没了，也不能按重要性检索、遗忘或合并。所以会丢偏好、前后矛盾，也学不会上次为什么失败。

这是记忆要补的洞：对话和经历。

另一个洞是模型知识本身是静态的：有截止日期，专业深度不够，还会把像真的话说成事实。这是 RAG 要补的洞：回答前先从外部知识库取出依据。

面试用一句话分开：记忆记的是这个智能体经历过什么；检索补的是世界里有什么它训练时没见过的材料。两个都要，因为它们解决的不是同一种忘。

几类记忆怎么分？

认知心理学的梯子可以压缩成面试答案：感觉记忆极短，工作记忆又短又小，长期记忆才留下来。长期记忆再分成技能习惯，以及能说出来的知识。

工程上对应四种，不要和心理学分类一一死磕，讲清用途：

类型	放什么	容量
工作记忆	当前任务的临时信息	小，用完可丢
情景记忆	具体事件：某次对话、某次失败	按经历增长
语义记忆	抽出来的稳定事实和偏好	比事件更值得长期留
感知记忆	图像、音频等多模态材料	按模态分开存

同一条「我在学 Python」不该只活在某一轮消息里。重要的工作记忆可以升成情景，反复出现的情景再收成语义。

写入、取回、忘掉分别怎么做？

写入要带类型和重要性，而不是把整段对话原样追加。取回按当前问题搜，可以限定类型，也可以跨类型搜。只把命中的少数条送回窗口。

忘掉有三条规则，面试挑得出来就够：

• 重要性：低于阈值的先丢。
• 时间：超过保留期的丢。
• 容量：超限时丢最不重要的，不是无脑丢最旧的。

运行时要有一个记忆管理器负责这些策略。工具只暴露「记下、搜到、忘掉、升格」，智能体循环不自己实现存储。