Memory 长期记忆可以理解成：
让 Agent 不只是“这次会做事”，而是“下次还记得之前发生过什么”。
如果 RAG 像图书馆，那么 Memory 更像：
Agent 自己的日记 + 用户档案 + 工作经验本。
最关键的一点是：Memory 不是“把所有聊天都永久塞给模型”。真正的长期记忆通常是一个完整流程：
发生事情
↓
判断：值不值得记？
↓
提取成结构化记忆
↓
存进数据库
↓
以后遇到相关任务
↓
检索相关记忆
↓
放进当前上下文
↓
Agent继续工作
↓
必要时更新旧记忆
一、先理解：LLM 本身其实没有真正的“长期记忆”
假设你自己搭了一个 GPT Agent。
今天你说：
“以后分析公司时，我特别关注 ROIC 和自由现金流。”
模型这一轮当然知道。
但如果会话结束，下次你重新启动 Agent：
它通常并不会天然知道这句话。
因为大模型更像一个大脑：
每次醒来以后，你给它什么上下文，它就知道什么。
所以所谓 Memory，本质上就是：
把重要信息存到模型外面的地方，下次再取回来。
这句话非常重要：
Memory 通常不是存在 LLM 里面，而是存在外部数据库里。
二、最简单的长期记忆怎么实现？
假设你做一个自己的金融学习 Agent。
你可以先建一个文件：
memory.json
里面写：
{
"goal": "学习公司金融",
"known_topics": [
"ROE",
"ROA"
],
"weak_topics": [
"WACC",
"CAPM"
],
"preferences": [
"喜欢用生动类比",
"希望结合金融案例"
]
}
每次 Agent 启动：
读取 memory.json
↓
把里面的信息放进 Prompt
↓
再和你对话
这样它就拥有最基础的长期记忆了。
比如你第二天说：
“继续学习。”
Agent 读取 Memory：
用户已经学过 ROE 和 ROA，但 WACC 较弱。
于是它就可以说：
“今天我们继续 WACC。”
这就是最简单版本。
三、但真正的 Agent 不会把所有东西都记下来
比如你一天说 100 句话：
今天吃什么
这道题怎么做
我想学金融
天气不错
我明天上课
我长期目标是……
不能全部永久保存。
否则时间一长 Memory 会变成：
垃圾堆。
所以真正 Memory 系统里通常有一个：
Memory Extraction
也就是：
记忆提取器。
例如一次对话结束后，让 LLM 判断：
以下对话中有哪些内容值得长期记忆？
标准：
1. 长期目标
2. 稳定偏好
3. 已掌握知识
4. 薄弱知识
5. 重要决策
6. 过去犯过的错误
7. 项目进度
例如：
“我今天吃了一根香蕉。”
不记。
但：
“以后解释金融知识时尽量用真实公司案例。”
记下来。
四、所以 Memory 的第一核心问题不是“怎么存”
而是：
什么值得记？
这是非常关键的 Agent 设计思想。
一个好 Memory 系统通常会把记忆分成几类。
五、第一种：Profile Memory —— 用户档案
例如：
用户长期目标
用户偏好
用户水平
输出格式偏好
例如一个学习 Agent：
目标：学习金融
水平：初学者
解释偏好：类比 + 案例
已掌握：ROE、ROA
薄弱：WACC
这种记忆相对稳定。
就像老师的：
学生档案。
六、第二种：Episodic Memory —— 经历记忆
Episodic = 事件 / 经历。
例如：
2026-09-01
学习了 ROIC
用户能够正确解释基本概念
但不理解 ROIC 与 WACC 的关系
或者：
2026-09-05
第一次分析腾讯
结论：
广告业务增长较快
游戏业务稳定
重点关注资本回报率
这种更像：
日记。
所以叫：
Episodic Memory（情景记忆）。
七、第三种：Semantic Memory —— 知识记忆
例如 Agent 从过去任务中总结出：
“分析盈利质量时，不能只看净利润，还要比较经营现金流。”
它把这个总结保存下来。
以后每次分析公司，都可以复用。
这就像人类：
经历很多事情以后形成知识。
例如：
经验：
净利润增长但经营现金流下降，
可能说明盈利质量存在问题。
以后遇到类似公司，Agent 就会想到这条经验。
八、第四种：Procedural Memory —— 工作方法记忆
这个其实非常适合 Agent。
Procedural = 程序性记忆。
例如 Agent 学会：
公司分析 SOP：
1. 商业模式
2. 营收增长
3. 毛利率
4. ROIC
5. FCF
6. 负债
7. 行业竞争
8. 估值
以后每次分析公司：
自动使用这个流程。
这就很像人的：
肌肉记忆 / 工作经验。
例如会游泳以后：
你不需要每次重新思考怎么划水。
Agent 也是一样。
九、所以真正完整的 Memory 可以长这样
Agent Memory
│
┌─────────────────┼─────────────────┐
↓ ↓ ↓
Profile Memory Episodic Memory Semantic Memory
用户是谁 发生过什么 学到了什么
│ │ │
└─────────────────┼─────────────────┘
↓
Procedural Memory
应该怎么做事情
十、这些记忆到底存在哪里？
有很多选择。
最简单
JSON
Markdown
TXT
适合个人小项目。
稍正式一点
SQLite
PostgreSQL
MySQL
适合结构化信息。
例如：
| user | type | memory |
|---|---|---|
| A | preference | 喜欢案例解释 |
| A | weak_topic | WACC |
| A | goal | 学公司金融 |
如果 Memory 很多
就可以使用：
Vector Database
例如：
Chroma
Qdrant
Milvus
Pinecone
Weaviate
FAISS
为什么 Memory 也会用向量数据库？
因为假设你有 10 万条过去经历。
你不可能每次全部塞给模型。
所以：
当前任务
↓
Embedding
↓
搜索过去最相关的记忆
↓
取回5条
↓
给LLM
这其实和 RAG 很像。
十一、所以你可能马上会问：Memory 和 RAG 到底差在哪里？
它们的技术实现确实可能非常像。
甚至都可以使用：
Embedding + Vector Database。
但是内容来源不同。
RAG
保存的是：
外部知识。
例如：
公司理财教材
论文
财报
课堂笔记
网页
Memory
保存的是：
Agent 自己过去的经历和状态。
例如：
用户学到哪了
上次研究了什么
以前犯过什么错误
用户喜欢什么解释方式
之前做过什么决定
可以记：
RAG = 世界的知识库。
Memory = 我和你之间发生过什么。
十二、真正使用 Memory 的时候发生了什么？
假设你问金融学习 Agent：
“继续昨天的内容。”
Agent 不应该把过去一年所有 Memory 全部拿出来。
而是：
问题：
继续昨天的内容
↓
搜索 Memory
↓
找到：
昨天：
学习资本结构
已经理解财务杠杆
还没有理解 WACC
↓
把这几条放进 Prompt
↓
LLM继续讲WACC
这一步叫：
Memory Retrieval
也就是：
记忆检索。
十三、Memory 不能只会“写”，还必须会“更新”
假设 Memory 里原来写：
用户不会 ROIC
但是两个月以后你已经完全掌握了。
如果 Memory 不更新：
Agent 永远会觉得：
“你不会 ROIC。”
这就会非常蠢。
所以真正的系统还需要：
Memory Update。
例如：
旧记忆：
ROIC掌握程度 = 20%
↓
今天测试：
回答正确
↓
更新：
ROIC掌握程度 = 80%
甚至旧记忆可以保留：
2026-08：
ROIC 不熟悉
2026-09：
基本理解
2026-10：
熟练
于是 Agent 甚至可以分析：
你的成长轨迹。
十四、还需要解决一个问题：记忆冲突
例如以前你说：
“我喜欢非常详细的解释。”
后来你说：
“以后尽量简洁。”
怎么办？
不能同时永久使用两个冲突的 Memory。
于是需要：
Memory Consolidation
可以理解成：
记忆整理。
系统发现：
旧：
喜欢详细
新：
希望简洁
判断新信息优先：
当前偏好：
简洁解释
历史：
以前偏好详细
这跟人脑很像：
不是不停堆叠，而是不断修正。
十五、Reflection + Memory 是非常强的组合
你刚才学了 Reflection。
两者连接以后就非常有意思。
例如 Agent 第一次分析公司：
犯错：只看净利润。
Reflection 发现：
没有检查经营现金流。
于是形成经验：
以后分析盈利质量时，
必须同时检查：
净利润
经营现金流
应收账款
存货
写入 Memory。
下一次分析公司：
读取 Memory
↓
发现这条经验
↓
主动检查现金流
于是形成：
工作
↓
犯错
↓
Reflection
↓
总结经验
↓
Memory
↓
下一次调用经验
↓
表现变好
这就是为什么：
Reflection + Memory 才真正开始像“学习”。
十六、你自己搭一个 Memory Agent，可以从最简单版本开始
第一版千万不要搞复杂。
直接：
memory.json
里面只放：
Goals
Preferences
Projects
Learned
Weaknesses
Lessons
例如：
Memory
Goals:
- 学习公司金融
Learned:
- ROE
- ROA
Weaknesses:
- WACC
Preferences:
- 生动解释
- 多用案例
Lessons:
- 学金融概念后需要做应用题
每次 Agent 启动：
读取它。
每次任务结束：
判断有没有值得更新的内容。
这就已经是一个真正的长期 Memory 系统。
十七、第二阶段再升级
你以后可以变成：
用户输入
↓
Memory Retriever
↓
找到相关旧记忆
↓
LLM
↓
执行任务
↓
Memory Extractor
↓
判断哪些值得保存
↓
Memory Database
完整结构就是：
┌──────────────┐
│ Memory DB │
└──────┬───────┘
↑ ↓
检索 / 写入
↑ ↓
用户 → Agent → Plan → ReAct → Tools
↓
Reflection
↓
总结新经验
↓
Memory
你会发现：
你前面学的那些模块开始全部连起来了。
十八、如果是为你自己的 AI 学习系统设计，我会这样分
例如建立一个 Personal AI Memory：
01 Profile
长期目标
学习偏好
02 Knowledge State
已经掌握什么
哪些还不会
03 Learning History
什么时候学了什么
04 Mistakes
经常犯哪些错误
05 Insights
你自己提出的重要想法
06 Projects
现在做到哪一步
07 Decisions
为什么当时做这个决定
几年以后你可以问：
“过去三年，我对投资的理解发生了什么变化？”
Agent 可以：
搜索 Memory
↓
找到不同时间点
↓
比较
↓
总结认知变化
这其实会非常强。
所以你可以把长期 Memory 永久记成：
不是“让 AI 永远记住整段聊天”，而是让系统从过去经历中提取重要信息 → 保存 → 需要时检索 → 根据新信息持续更新。
最核心其实只有五步：
Remember → Store → Retrieve → Update → Forget
翻译过来就是：
记什么 → 存哪里 → 什么时候想起来 → 怎么更新 → 什么应该忘掉。
真正优秀的 Agent Memory，重点并不是“记得越多越好”，而是：
在正确的时候，想起正确的东西。