AI Agent 如何拥有记忆？从原理到实践的详细指南

最近，Agent 的长时记忆变得非常流行，大家都在讨论记忆系统。

但当你去看那些解释时，大多数只是抛出一堆术语：向量数据库、RAG、上下文窗口、压缩、情景窗口、压缩、情景记忆……

看完之后，你还是说不清楚它到底是怎么工作的，对吧？

这不怪你，因为大多数文章都假设你已经有了基础。

不过，Agent 记忆系统目前是面试中最热门的话题。如果你不懂，在工作和面试中都会吃亏。

所以，这篇文章我会换个角度，从基础开始，不堆砌术语！我会尽力让每个人都能看懂！！

我保证，看完之后，你自己就能回答这三个问题：

什么是记忆系统？

如何理解 OpenClaw 的记忆系统？

企业级解决方案是什么样的？我选了 EverOS（github.com/EverMind-AI/EverOS）

这篇文章很长，我写了好几天。如果你有对 Agent 记忆感兴趣的朋友，可以收藏起来，之后收藏转发给他们。

Agent 记忆系统的基础知识

这部分主要讲 Agent 如何在单次会话内和跨会话之间维持记忆。如果你已经懂了，可以直接跳过。

首先，大模型两次 API 调用之间是没有记忆之间是没有记忆的。什么意思？

比如：第一次调用你说你喜欢吃橘子，但第二次调用你没有把“我喜欢吃橘子”附加到 prompt 里，模型就不会记得你的偏好。

那么 Agent 在对话中是如何维持这个记忆的呢？

首先，每次你提问时，底层系统会把你整个之前的聊天历史都发过去。模型看到它，就有了短期记忆。

但当聊天历史变得太长，超过模型的最大情景窗口时，它就会压缩历史。它会总结当前的对话历史，然后塞回 prompt 里，腾出空间继续聊天。

这就是模型在单次长对话中维持记忆的原理。如果你有点困惑，看下面的图：

现在你知道单次会话里记忆是怎么维持的了，那不同聊天会话之间呢？

这就轮到长时记忆系统了！！

它的作用是在你的情景被压缩或者你要求你要求记住某事时，把重要信息存到一个存储空间里。

然后，当你开始新对话时，在合适的时候提取并添加相关信息到 prompt 中。

通过“以新换旧”，制造出记住很多事情的错觉。这类似于人类的工作记忆和长时记忆。

好了，有了这些记忆基础知识，我们就可以继续理解什么是记忆系统了。

下面，我会给你一个概念框架。如果你看完，我保证你对任何记忆系统解决方案都能有个基本理解。

记忆系统

声称能给 Agent 长时记忆的解决方案至少有几十种。我们怎么研究这么多？

接下来，我会拆解一篇论文，让你对 Agent 长时记忆有个基本理解，然后对比 OpenClaw 和其他记忆框架的差异，方便你理解。

Google 在 2025 年 11 月发表了一篇论文，题为“情景工程、会话与记忆”。

在这篇论文”。

在这篇论文中，他们沿用半个世纪前认知科学的方法，将 Agent 记忆分为三类：

• 情景记忆：昨天发生了什么，上次讨论了什么。
• 语义记忆：你叫什么名字，你喜欢什么，你的身份是什么。
• 程序性记忆：如何完成一个任务，流程是什么。

这三类记忆共同构成了 Agent 的记忆。

但这只是故事的一半；另一半是关于如何维持和使用记忆。

就像人类一样，Agent 不能记住所有事情。因此，记忆系统需要一种可靠的方法来从对话历史中提取重要信息，然后保存下来。

我把这一步称为提取。

此外，我们还需要整理和合并记忆。

例如：

三个月前，我说我在大理，但后来我搬到了成都。如果这些信息没有合并，记忆里就会有矛盾的内容。

正确的做法是，在我搬走后，将记忆更新为“用户现在在成都”。

我把这一步称为更新。

还有检索步骤，涉及很多方法：关键词搜索、语义搜索、混合搜索，或者用大模型来检索。

所以，要理解一个记忆系统，你只需要理解这两个方面：

1. 记忆分为多少类，每类存什么？
2. 记忆是如何提取、更新和检索的？

现在，用这个框架，我们来弄清楚 OpenClaw 的长时记忆是如何实现的。

OpenClaw 的记忆分为多少每类存什么？

它的记忆分为以下三种类型：

1. memory.md（记忆）：属于语义记忆；存储你的身份、偏好和稳定的事实。

1. daily logs（日常日志）：属于情景记忆；按日期记录每天发生的事情。只添加新条目，从不删除。

1. session snapshots（会话快照）：属于情景层；当你使用 /new 或 /reset 命令开始新会话时，它会总结旧对话中最后 15 条“有意义”的消息，并保存为一个 markdown 文件。

提取、更新和检索是如何进行的？

提取发生在三种情况下：

1. 当对话即将被压缩时：有价值的信息被写入日常日志。
2. 当你使用 /new 或 /reset 开始新会话时：有价值的信息被保存到会话快照。
3. 当用户要求记住某事时：系统决定将其存储到哪种记忆类型中。

检索发生在两种情况下：

1. 开始新对话时：memory.md 自动注入到 prompt 中，同时读取今天和昨天的日常日志以获取近期上下文。
2. 当 OpenClaw 觉得有必要检查记忆时：它会调用记忆搜索，通过混合搜索（关键词 + 向量）找到记忆位置，然后通过记忆 get 读取文件内容。

更新何时发生？我个人的理解是提取时发生的，在决定记住什么的时候。

如果你还是不太明白，看下面的图：

现在你对记忆系统有了一些了解，但说实话，OpenClaw 的系统有几个问题：

1. 消耗大量 token。
2. 如果 Markdown 没了，记忆就消失了。
3. 经常忘记事情。

不过，真正的企业级记忆系统有很多优化来保证稳定性。背后的技术值得每个热爱技术的人了解。

接下来，我会分析企业级 Agent 记忆系统！！

企业级 Agent 记忆系统

在 AI 时代，每个程序员都应该了解企业级 Agent 记忆系统的技术，否则你会失去竞争力。

为什么？

因为大模型会继续蚕食我们的编程工作。唯一的选择就是为它们构建配套系统。

为了更容易解释，我选一个开源解决方案叫 EverOS 来拆解。

如果你打算从这个项目开始学习 Agent 记忆系统，欢迎给它点个 star：

github.com/EverMind-AI/EverOS

就像我之前说的，要理解一个记忆系统，只需要回答两个问题。

EverOS 是如何回答的？

问题 1：记忆如何分类？

通用框架有 3 类，但 EverOS 把每一类进一步细分，如下所示：

1. 语义记忆 关于你身份的长时记忆，分为两层：
2. 稳定特质：你是夜猫子、程序员、程序员、住在北京——那些长时间不会改变的事情。
3. 临时状态：你今天熬夜了，这周很忙，上周感冒了。

1. 情景记忆 分为三种：
2. Episode（Episode）：对话或任务的浓缩总结，不是日常日志。例如：用户询问如何部署模型，在环境变量上卡住，花了 30 分钟。
3. 事件日志（EventLog）：从对话中提取关键事实，每条带有时间戳。例如：2026-05-10 用户买了一台 Mac mini，2026-05-12 用户关联了 GitHub。
4. 预见（Foresight）：与时间相关的“下一步”——你说过要做的事情或它推断你以后会涉及的事情，带有过期时间用于提醒。例如：下周五之前发送提案。

1. 程序性记忆两种：
2. Agent 案例（Agent Case）：完成任务后，记录“意图 + 逐步操作 + 质量评分”。例如：发送邮件——它检查联系人、起草、请求确认、然后发送——这整套被归档并附上质量评分。 Agent 技能（Distilled Skill）：多次做类似任务后，自动从这些归档中提炼出通用方法，并带有成熟度评分。做得越多，越可靠。例如：5 次邮件任务 5 次后，它学会在决定正式还是随意语气之前，检查收件人是否是关键人物。

如你所见，EverOS 将原来的 3 类拆成 6 类，可以更精确地存储，更有效地记忆。

而且，它更接近人类记忆——它预测未来并总结/提炼技能。

问题 2：提取、更新和检索是如何进行的？

记忆如何提取？

EverOS 自动判断“这段是否结束”。一旦结束，就切分并打包成一个记忆单元。

每个单元包含 4 样东西：

• 情节（Plot）：讨论和做了什么——浓缩总结，不是逐字记录。
• 关键事实（Key Facts）：里面哪些事实值得单独记录。
• 预见（Foresight）：你说过要做或它推断你会做的事情，带有过期时间用于提醒。
• 上下文标签（Context Tags）：时间、地点、可信度以及当时的情绪。

你只管聊天，它处理切分细节。

记忆如何更新？

例如：

一个月前，你告诉 AI：我打算开始健身。两周后，你说：我一直很忙，没去健身房。今天你说：算了，不健身了。

普通解决方案把三条都堆在日志里。模型检索到哪条模型就认为哪条是事实。但实际上，答案应该是最新那条。

EverOS 依靠“语义整合”，做三件事：

• 自动判断哪条是最新的（健身已停止）。
• 合并重复或指代同一事件的内容。
• 维护用户画像，将稳定偏好与临时状态分开（官方称为画像演化）。

细节如下所示：

记忆如何检索？

EverOS 提供 4 种检索方法，根据场景选择：

• 选择：

• ：

• 关键词：精确匹配，适合特定名称或 ID。
• 向量搜索：语义匹配——不同词但意思相同可以匹配。
• 混合：关键词 + 向量一起，然后通过重排序模型过滤——推荐默认。
• 智能（Agentic）：用于复杂多部分问题；LLM 判断搜索什么以及如何搜索，迭代直到找到（当混合不够用时使用）。

但 4 种方法不是关键；关键是检索逻辑。

普通解决方案是被动的——你给关键词，它返回匹配文档，就完了。

EverOS 主动重构上下文：

1. 分析你这次想做什么。
2. 激活相关的主题场景。
3. 过滤过期信息（例如一年前的偏好可能无效）。
4. 迭代搜索，直到收集到足够信息。

普通解决方案像搜索引擎，一次搜索就结束。EverOS 从不同角度反复查找，直到找到足够信息。

EverOS 在长时记忆基准 LoCoMo 上实现了 93.05% 的总体准确率（使用 GPT-4o-mini），比对比方案 Zep（85.22%）高出近 8 个百分点。

看完这一节，你应该对生产级 Agent 记忆系统有了很好的了解。但它们在实际工程中如何落地，你能用它们做什么？

实际生产实现

我会继续用这个开源项目来解释，有两个原因：API 免费开放，而且仓库里有 20 个真实案例——非常适合讨论实现！！

免费开放 API

EverOS 的 Cloud API 是免费开放的。

三步上手：

1. 在浏览器中打开 everos.evermind.ai 注册；页面会给你一个 API Key，保存好。
2. 通过命令行安装 SDK：pip install everos
3. 在 Python 中实例化客户端并开始使用。

EverOS 不仅免费试用，还支持最近流行的技能自我进化功能！！

如何使用技能自我进化？

当 Agent 重复执行类似任务时，EverOS 自动将经验提炼成可复用的技能。下次遇到类似任务时，直接使用技能，而不是从头开始。

在代码中使用涉及链式调用 3 个 API：

两点注意：

• 第一次输入轨迹时，只生成案例（单个任务的归档）。技能只有在几次类似任务之后才会聚类和提炼。
• 必须使用 /memories/agent 端点；普通的 /memories 不会提取技能。

如果你不理解技能自我进化功能，看下面的图：

我简要介绍了代码用法，但作为 Agent 基础设施，这个项目有极其宝贵的真实用例。

而且这些用例都是开源的，可以学习！！

20 个真实用例

仓库 README 列出了 20 个用例，这里举几个：

• MemoCare（阿尔茨海默记忆助手）：为认知衰退患者提供永不遗忘的外部记忆——这是最暖心的公益项目之一。
• Claude Code 插件：为 Claude Code 添加长时记忆，跨会话记住。
• 权力的游戏：将《权力的游戏》剧情喂给 AI，扮演长期记住自己是谁的角色。
• OpenHer：AI 女友，情感陪伴 + 记忆演化。
• 带记忆的电脑使用：让 Agent 控制电脑并记住每次操作的经验。
• 记忆图谱可视化：将记忆系统可视化为图谱。

完整列表在 github.com/EverMind-AI/EverOS 的 README 中。

顺便说几个官方插件：

API 还不够，所以 EverOS 将记忆能力打包成几个开箱即用的插件：

• Claude Code 插件：为 Claude Code 添加长时记忆——每次回复后自动保存，每次提问时回忆上下文，并带有可视化 Memory Hub 面板。一键安装。
• OpenClaw 插件：将 EverOS 作为 OpenClaw 的“记忆插槽”——Agent 在运行前自动检索相关记忆（情节、画像、案例、技能），运行后保存对话和工具调用。
• OpenClaw 技能：将 EverOS 记忆工具作为“技能”连接到 OpenClaw / Claude Code，让 Agent 按需调用记忆，而不是永久附加。

回到开头三个问题：

什么是记忆系统？OpenClaw 的记忆系统怎么样？企业级解决方案是什么样的？

你现在应该有答案了。

EverMind 是一个优秀的项目：

1. 整个项目是 Apache 2.0 开源，目前有 4500+ star。
2. EverMind 有很强的学术和算法背景，不断发表论文；之前的 MSA 也是一个非常先进的概念。
3. EverMind 是盛大旗下的 AI 原生公司，资源充足。

如果你打算从这个项目开始学习 Agent 记忆系统，欢迎给它点个 star：

github.com/EverMind-AI/EverOS

他们月底还有新产品上线，期待！！

这是我第一次尝试用文章解释技术概念。为了让大多数人能看懂，我省略了很多细节。

涉及的技术很复杂；欢迎在评论区指出错误，我会修正。

如果你喜欢我的文章，可以收藏、评论、转发给朋友，并关注我。