Agent Memory 系统该怎么设计|区分短期上下文、长期记忆、业务记忆,适配企业工作流场景
很多人做 Agent 时,记忆只是简单丢一个向量库,把所有东西混在一起检索,上线之后各种奇怪问题:无关历史信息乱召回、敏感信息泄露、记忆不会过期、Agent 被很久之前的旧记录带偏决策;多 Agent 场景下记忆互相串、权限混乱,甚至影响主流程判断。
企业业务场景下的 Memory,绝对不等于一个向量数据库。它是一套分层存储、路由、召回、更新、遗忘的完整系统,核心目标:在合适时机,给 Agent 提供正确粒度的记忆,不缺信息、不塞冗余信息。
一、先做分层:四类记忆,分开存储、分开生命周期
我落地时习惯拆成四层,边界清晰,适配工作流和多 Agent 编排:
1. 会话短时记忆(上下文窗口记忆)
也就是当前这一轮单据 / 会话里的临时状态,放在内存,不持久化落库。 存储内容:当前会话对话历史、前置 Agent 预处理结果、本轮工具调用记录、中间推理草稿、当前单据状态。 特点:
- 生命周期绑定单次业务流程,流程结束自动清理或者归档到业务日志;
- 优先喂给主 Agent,保证本轮链路信息连贯;
- 不做向量检索,直接结构化传递;
- 有长度上限,超过阈值自动做摘要压缩,防止上下文溢出。
适用:一笔退款单从开始到结束,这一趟链路里所有中间信息。流程闭环,短时记忆就释放。
2. 业务实体记忆(中长期,绑定业务主体)
绑定核心业务 ID:订单 ID、客户 ID、工单 ID、供应商 ID。属于这个主体稳定的业务档案。 存储内容:客户历史诉求、历史处理记录、客户偏好、历史标签、实体属性、历史 BadCase 处理结论。 存储形式:结构化 KV + 向量切片。 特点:
- 生命周期跟随业务实体,不是跟随单次会话;
- 有权限控制:不同 Agent 角色可读范围不一样;前置 Agent 只读基础标签,主 Agent 可读完整历史,异步 Agent 不能读取敏感客户信息;
- 支持版本:业务信息更新时,不是直接覆盖,而是打版本标记,保留变更记录,方便回溯。
重点:实体记忆是多 Agent 之间共享记忆的唯一安全池,前置、主、后置 Agent 都可以查询,但写入权限收敛,一般只有主 Agent 在业务确认后才允许新增 / 修改实体记忆。
3. 领域知识记忆(静态知识库,组织能力)
也就是我们常说的手册、制度、流程规范、SOP、标准方案,也就是之前退款案例里的业务文档切片。 存储内容:退款规则、售后政策、审批权限、异常处理规范、产品资料。 特点:
- 偏只读,更新低频;
- 由业务人员统一维护入库,Agent 本身不能自主修改这条记忆;
- 召回策略偏向语义相似度检索,用于给 Agent 提供 “标准规则依据”;
- 和案例记忆分开:规则是标准,案例是过往实践,不要混在一起检索。
4. 案例 / 经验记忆(持续生长,来自 BadCase 回流)
这就是我们上一篇聊的 BadCase 闭环产出的记忆。 存储内容:历史异常单、边界场景、当时的问题、人工确认后的标准答案、决策链路。 特点:
- 持续增量写入,来源就是 BadCase 复盘入库;
- 检索权重设计:相似业务场景优先召回同类历史案例;
- 自带标签:P0 风险、退款场景、长尾场景;支持按场景过滤召回;
- 可以设置权重衰减:很久之前、业务规则已经变更的旧案例,降低召回优先级,避免旧规则干扰新业务。
这一层是 Agent “越用越聪明” 的核心,也是区别于静态知识库的关键。
二、核心模块设计:不止是存储,还要有召回、编辑、遗忘
一套可用的 Memory 系统,由 5 个核心组件组成:
- Memory 写入器(Ingest) 负责把不同来源的信息结构化,自动切片、打标签、绑定实体 ID、分类存入对应记忆层。 不是所有信息都要向量化:结构化字段直接存 KV,长文本内容做切片向量。 同时做过滤:无关日志、临时调试信息直接丢弃,不写入记忆。
- Memory 路由器(Router)【非常关键,很多方案缺这个】 Agent 发起记忆查询请求时,路由器先解析 Agent 角色、当前任务类型、业务实体 ID,决定:
- 该去查哪一层记忆;
- 召回多少条;
- 召回的权重配比(规则优先,还是相似案例优先);
- 哪些记忆是当前 Agent 没有权限访问的,直接拦截。
举个例子:前置 Agent 预检退款单,路由器只放行【实体基础标签 + 领域规则】,不会拉取大量历史聊天案例,避免前置环节信息过载。
- 召回器(Retriever) 执行检索,支持混合检索:关键词过滤 + 向量相似度 + 业务标签筛选 + 时间衰减权重。 控制召回上限,避免一次性几十条记忆塞给 Agent,造成干扰。召回结果附带来源标记,Agent 回答时可以引用依据,方便 BadCase 溯源。
- Memory 编辑器 & 权限控制 记忆不能让 Agent 随便改写:
- 静态领域知识:Agent 不可写,人工后台维护;
- 实体记忆:仅主 Agent 在业务动作完成、人工确认后才允许更新;
- 案例记忆:来自 BadCase 复盘,人工审核通过之后才入库; 支持记忆打只读、过期标记、归档标记。
- 遗忘 / 衰减管理器(Forget) 没有遗忘机制的记忆系统,长期一定会 “记忆污染”。 三种遗忘策略搭配使用:
- 定时过期:短期会话记忆流程结束即清理;
- 权重衰减:旧案例随时间降低召回分数;业务规则更新后,旧规则切片标记失效;
- 主动归档:低频长尾案例,降低默认召回优先级,需要专门检索才调取,不参与日常推理。
三、多 Agent 编排场景下,Memory 的协同约束(承接上一篇)
结合前面前置 / 主 / 后置 / 异步 Agent 架构,我是这么约束记忆权限:
- 前置 Agent:可读【领域知识 + 实体基础标签】,不可写任何记忆;
- 主 Agent:可读全部授权记忆,唯一有权限发起实体记忆新增 / 更新;
- 后置 Agent:可读本次会话短时记忆、实体记忆,仅允许写入案例归档日志,不能修改业务实体信息;
- 异步 Agent:隔离访问,一般只开放只读的领域知识库,默认不读取客户敏感实体记忆,防止并发任务造成敏感信息扩散。
并发安全:同一个实体 ID(订单、客户)的记忆更新,做乐观锁,避免多个 Agent 同时写记忆覆盖数据。
四、常见踩坑点
- 所有记忆全部扔进同一个向量库,没有分层。Agent 召回时,旧案例、政策文档、临时聊天记录混在一起,很容易输出错误结论;
- 没有权限隔离,异步子 Agent 随便读取客户隐私记忆;
- 缺少遗忘机制,几年前过期的业务规则还持续被召回;
- 没有 Router,每次都全量检索,推理慢、token 消耗高;
- 允许 Agent 自主修改核心业务记忆,一旦 Agent 判断出错,直接污染记忆库,持续复现 BadCase。
五、一句话总结
Agent Memory 系统的本质,不是给 Agent 装一个超大数据库,而是一套按需供给信息的分层记忆服务。区分会话临时上下文、实体业务记忆、领域规则、案例经验;搭配路由、权限、召回、遗忘机制;再和多 Agent 编排体系打通,做到什么角色、什么环节,只能拿到它该看到的记忆。可控,才适合企业严肃业务。
- 本文标签: python,agent
- 本文链接: https://www.muyige.cn/article/8
- 版权声明: 本文由杨承让原创发布,转载请遵循《署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)》许可协议授权
