最近我看了一张讲Agent记忆分类的图：

我感觉它这个分类吧，大方向是对的，但挖得太浅了。所以我就顺着它的逻辑，仔细琢磨了一下，在不同的记忆层面，到底该怎么设计、怎么选合适的组件。

先从流程、作用、示例和持续时间这四个角度，跟大家把这几种记忆说清楚：

1. 短期记忆（Short-Term Memory, STM）

流程：输入（Input）→ 编码（Encode）→ 存储（Store）→ 清除（Erase）

作用：做事情的时候，临时记一些细节，就跟咱们聊天时，临时记住对方刚说的话似的。

示例：存一下最近的互动信息，比如刚才发的聊天内容。

持续时间：任务或者对话一结束，就自动清掉了，不会留着。

2. 长期记忆（Long-Term Memory, LTM）

流程：接收（Receive）→ 整合（Consolidate）→ 存储（Store）→ 提取（Retrieve）

作用：存那些能长期用的知识，不管多少次互动，都能调出来用。

示例：保存用户的偏好设置、一些事实知识、历史数据之类的。

持续时间：会跟着AI不断学新东西，慢慢增加、慢慢更新。

3. 情节记忆（Episodic Memory）

流程：体验（Experience）→ 编码（Encode）→ 存储（Store）→ 回忆（Recall）

作用：记录那些具体的、有来龙去脉的互动经历。

示例：记住是跟谁互动的（这个“谁”，可能是用户，也可能是其他Agent）、聊了些啥、什么时候聊的等等。

好处：能让AI根据以前的经历，更有针对性地回应用户现在的需求。

4. 语义记忆（Semantic Memory）

流程：概念（Concepts）→ 存储（Store）→ 提取（Retrieve）→ 使用（Use）

作用：存那些事实、概念、语言相关的通用知识，避免AI说一些常识性的错话。

示例：知道“伦敦是英国的首都”这种基础事实。

特性：就跟咱们从书里、从课堂上学到的常识一样，能直接提取出来用。

5. 工作记忆（Working Memory）

流程：输入和目标（Inputs & Goals）→ 暂存操作区（Temp Ops Area）→ 实时操作（Real-Time Ops）→ 丢弃（Discard）

作用：处理当下的即时信息，方便AI当场做决策、解决问题。

示例：临时存一下用户给的指令、要达成的目标，或者计算步骤之类的。

好处：对AI即时推理、做计划、执行任务来说，特别重要。

6. 程序性记忆（Procedural Memory）

流程：学习（Learn）→ 存储（Store）→ 练习（Practice）→ 应用（Apply）

作用：记住已经学会的操作和流程，不用特意思考，就能自动执行。

示例：自动知道怎么格式化文档、发邮件，或者跟着既定的流程走。

类比：就跟咱们的“肌肉记忆”似的，让AI能熟练完成那些熟悉的任务。

上面这六种记忆，各自对应AI不同场景下的存储、处理和应用需求——从当下临时的信息处理，到长期、自动的技能和知识运用，都覆盖到了。

但说实话，这些概念要是真要落地，还有不少活儿要干。最基本的，你得知道用啥存储组件吧？还有数据格式，有没有推荐的？

那咱们接着往下说。

下面我就顺着刚才那张图的思路，整理一份面向LLM Agent的存储设计建议，核心就是说清楚，这6种记忆各自该选什么存储类型、什么数据格式，还有关键组件和设计要点。

先说说核心思路：

1. 先看记忆的寿命（是瞬时的、短期的还是长期的）、读写的频繁程度、访问速度的要求，再选存储介质；
2. 看查询方式（是按键值直接查、按语义相似度查、按结构化条件查，还是按顺序回放），再选数据库模型；
3. 最好能搞一个统一的记忆编排层，把读写接口统一起来，不用管底层不同存储的差异，用起来更方便。

我就不按刚才说记忆的顺序来了，咱们从短到长来设计，这样看下来逻辑更顺。

1. 短期记忆 (Short-Term Memory, STM)

典型访问特征：寿命就一次对话或者一个任务那么久，读写速度要快到毫秒级，按键值直接取就行，不用长期存着。

推荐组件：

首选的话，用进程内缓存（比如Python里的Dict、Go里的map），或者轻量级的键值内存数据库（比如Redis、Dragonfly）就够了。

如果是高并发、多实例的情况，就用Redis Cluster，加上TTL自动到期删除就行。

数据模型/格式：

结构很简单，比如：

{conversation_id: [{role, content, ts}]}

或者直接存token缓存也可以。

要是需要少量的向量召回，也可以把embedding作为字段，存在Hash或者JSON里，或者放到本地的Faiss索引（内存里）。有钱的话，Faiss也能上GPU，不过说实话，没必要这么麻烦。

设计要点：

TTL一定要比上下文窗口的时间短。这个其实很好理解，要是你把TTL设得太长，超过了当前任务或者对话的上下文窗口，那以前的短期记忆，可能会被下一轮新的对话或者任务误用上，导致“上一个用户/任务”的内容泄露进来，这就是典型的“越权存取”风险。

要关掉持久化（AOF/RDB），这样才能达到极低的访问延迟；

同步删除：对话一结束，就立刻执行DEL或者EXPIRE 0，把它清掉。

2. 工作记忆 (Working Memory)

定义：就是Agent正在推理的时候，临时用来记东西的“草稿本”。持续时间也就几秒到几分钟，需要经常更新、按顺序查看。

推荐组件：

直接放在LLM的Prompt构造器里就行（比如临时的Python对象、JS对象）；

如果需要多个人协作，或者用到DAG工作流，就用内存流数据库（比如Materialize、RisingWave），或者流框架（比如Kafka + ksqlDB）临时存一下。

数据模型：

用JSON或者Dict就行，比如：

{"goal": "...", "current_step": 3, "intermediate_results": [...]

设计要点：

遵循“可随时丢弃”的原则；

如果任务特别长，就用Write-Ahead Log写到本地SSD里，防止节点出故障，丢了中间数据。

这俩要点没啥特别好解释的，照着做就行。

3. 情节记忆 (Episodic Memory)

定义：带着时间戳的交互事件流，需要既能按语义查，也能按时间查。

推荐组件（混合存储）：

1. 事件日志：用只允许追加的列式数据库或者时序数据库，比如Apache Iceberg、Parquet on S3、ClickHouse、TimescaleDB。

可选的太多了，我个人更倾向于ClickHouse，因为简单好上手。但如果特别看重时间上下文，可能还是得用专门的时序数据库。

2. 语义索引：用向量数据库，比如Milvus、Weaviate、pgvector、Pinecone。

数据模型：

基表设计示例：event_id, agent_id, user_id, timestamp, text, meta(json)

向量表：event_id, embedding VECTOR(768，这个数值只是个建议，具体看你处理的数据业务情况) + HNSW/IVF索引

设计要点：

双写：事件写到日志里的同时，同步写到向量库；

要支持“谁（who）/什么时候（when）/发生了什么（what）”的过滤（也就是涉及时间、事件和角色的筛选），再加上近似向量检索；

定期离线合并老的分区，做好冷热分层存储（热数据和冷数据分开存）。

4. 语义记忆 (Semantic Memory)

定义：存事实、概念、知识图谱的，重点是要能体现结构化的关系，还能支持推理。

推荐组件：

知识图谱方面，用RDF三元组库（比如Blazegraph、Virtuoso），或者图数据库（比如Neo4j、TigerGraph）；

补充全文检索或者向量检索的话，可以用Elasticsearch + KNN（没有也能凑合用，就是效果差点），或者还是用上面说的向量库也行。

数据模型：

三元组：(entity, relation, entity)

给每个实体存上描述（description）和嵌入向量（embedding），支持通过嵌入向量相似度查询，再加上Cypher（图数据库用）/SPARQL（RDF用）查询。

当然也可以加上BM25做混合检索，最后再重新排序（rerank）一下。

设计要点：

要明确本体和 schema（也就是数据结构规范）；

知识要做版本化（用快照+差异的方式），方便回溯；

支持批量导入，主要是导入企业内部的文档、产业相关资料，还有wiki这些东西。

5. 长期记忆 (Long-Term Memory, LTM)

定义：存用户偏好、长期配置、还有AI历次学习成果的总和，需要能扩展、能长期存，还能支持多种方式查询。

推荐组件（分层架构）：

结构化的偏好数据：用PostgreSQL或者MySQL；

大文件、文档之类的：用对象存储（比如各种S3兼容的存储）；

语义检索：统一用上面提到的向量库（可以和情节记忆、语义记忆共用一个集群，能省点钱）。

数据模型：

偏好表：user_id, key, value(jsonb), updated_at

文档索引：doc_id, s3_uri, summary, embedding

设计要点：

要做好多租户隔离，如果有严格的合规要求（比如GDPR），可以在这个基础上再完善，总之就是不能混着用不同租户的数据；

减少写放大：先批量整合数据，再一次性写入，避免频繁的小更新；

定期把冷数据迁移到低成本的存储里，比如类似Glacier的纯冷层。不过我个人更推荐存在温层，虽然长期记忆不常用，但万一用到了，折腾Glacier太麻烦。

另外还有个必须做的事：长期记忆要定期做总结。短期记忆可以定期汇总，变成长期记忆；长期记忆也可以定期汇总，变成超长期记忆，这样能避免上下文和存储的双重上限压力。

6. 程序性记忆 (Procedural Memory)

定义：可重复使用的技能、工作流、宏指令；更新不频繁，但读取很频繁，需要做版本控制和安全审计。

推荐组件：

用Git仓库（比如GitLab、GitHub Enterprise，或者公司内部在用的任何仓库，随便选）+ CI；

如果技能是用DSL或者JSON表示的，可以再加上文档数据库（比如MongoDB），缓存可解析的AST（抽象语法树）；

运行时加载：在容器或者函数服务（serverless）里，需要的时候再调用。

数据模型：

代码、YAML或者BPMN文件；

元数据表：skill_id, name, version, checksum, entry_point, permissions.

设计要点：

做好版本标签，用语义化发布（SemVer）；

要有审批和回滚的流程；

用延迟加载+本地LRU缓存，保证第一次调用的体验。

跨层 Memory Orchestrator 设计要点

1. 统一API：就两个核心接口，store(memory_type, data, **meta)（存储）和retrieve(memory_type, query)（提取）
2. 读写策略：
3. 写入的时候，自动路由到对应的存储介质；
4. 读取的时候，支持级联查询：先查短期记忆，再查长期记忆，最后查语义/知识图谱。
5. 安全合规：给数据分好级，静态加密（at-rest）和传输加密（in-transit）都要做，用户敏感信息（PII）要脱敏。
6. 指标观测：每一层都要暴露QPS、延迟、命中率这些指标，用Prometheus + Grafana监控。
7. 弹性伸缩：做好冷热分层、自动扩容（Auto-Scaling），还有备份和灾难恢复的策略。

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

人工智能时代最缺的是什么？就是能动手解决问题还会动脑创新的技术牛人！智泊AI为了让学员毕业后快速成为抢手的AI人才，直接把课程升级到了V6.0版本‌。

这个课程就像搭积木一样，既有机器学习、深度学习这些基本功教学，又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能，把AI技术从基础到前沿全部都包圆了！

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

课程还教大家怎么和AI搭档一起工作，就像程序员带着智能助手写代码、优化方案，效率直接翻倍‌！

这么练出来的学员确实吃香，83%的应届生都进了大厂搞研发，平均工资比同行高出四成多‌。

智泊AI还特别注重培养"人无我有"的能力，比如需求分析、创新设计这些AI暂时替代不了的核心竞争力，让学员在AI时代站稳脚跟‌。

课程优势一：人才库优秀学员参与真实商业项目实训

课程优势二：与大厂深入合作，共建大模型课程

课程优势三：海外高校学历提升

课程优势四：热门岗位全覆盖，匹配企业岗位需求

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

·应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

·零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

·业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

重磅消息

人工智能V6.0升级两大班型：AI大模型全栈班、AI大模型算法班，为学生提供更多选择。

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【最新最全版】AI大模型全套学习籽料（可无偿送）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

来智泊AI，高起点就业

培养企业刚需人才

扫码咨询 抢免费试学

⬇⬇⬇

AI大模型学习之路，道阻且长，但只要你坚持下去，就一定会有收获。