AI Agent 如何擁有記憶？從原理到實踐的詳細指南

最近，Agent 的長期記憶變得非常熱門，大家都在討論記憶系統。

但當你去看那些解釋時，大多只是丟給你一堆術語：向量資料庫、RAG、上下文視窗、壓縮、情節記憶……

看完之後，你還是無法確切說出它到底怎麼運作的，對吧？

這不是你的問題，大多數文章都假設你已經有基礎了。

然而，Agent 記憶系統目前是面試中最熱門的話題。如果你不懂，無論在工作還是面試中都會處於劣勢。

處於劣勢。所以，在這篇文章中，我會換個方式，從基礎開始，不堆疊術語！我會盡力讓每個人都能理解！

力讓每個人都能我保證看完之後，你就能自己回答這三個問題：

什麼是問題：

什麼記憶系統？

我們如何理解 OpenClaw 的記憶系統？

企業級解決方案長什麼樣子？我選擇了 EverOS（github.com/EverMind-AI/EverOS）

這篇文章很長，我花了好幾天寫。如果你有朋友對 Agent 記憶感興趣，可以先收藏，之後轉發給他們。

Agent 記憶系統的基礎知識

這部分主要說明 Agent 如何在單一會話內以及跨不同會話之間維持記憶。如果你已經懂了，可以直接跳過。

首先，大型模型的兩次 API 呼叫之間是沒有記憶的。這是什麼意思？

例如：如果你在第一次呼叫時說你喜歡吃橘子，但第二次呼叫時沒有在提示詞中加上「我喜歡吃橘子」，模型就不會記得你的偏好。

那麼 Agent 在對話中是如何維持記憶的呢？

首先，每次你提問時，底層系統會把你之前的整個對話歷史都發送過去。模型看到這些，就確保了短期記憶。

但當對話歷史變得太長，超過模型的最大上下文視窗時，它就會壓縮歷史。它會總結目前的對話歷史，然後塞回提示詞中，創造空間繼續對話。

這就是模型在單次長對話中維持記憶的原理。如果你有點困惑，可以看下面的圖：

現在你知道單一會話中如何維持記憶了，但不同聊天會話之間呢？

這就是長期記憶系統登場的時候了！！

它的作用是在你的上下文被壓縮時，或者你要求記住某件事時，把重要資訊儲存在一個儲存空間裡。

然後，當你開始一個新對話時，它會在適當的時候提取相關資訊並加入到提示詞中。

透過「以新換舊」，它創造了記住很多東西的假象。這類似於人類的工作記憶和長期記憶。

好了，有了這些記憶的記憶基礎知識後，我們可以繼續了解什麼是記憶系統。

下面，我會給你一個概念框架。如果你看完，我保證你對任何記憶系統方案都會有基本了解。

記憶系統

市面上至少有幾十種聲稱能賦予 Agent 長期記憶的方案。我們要怎麼研究這麼多？

接下來，我會拆解一篇論文，讓你對 Agent 長期記憶有基本認識，然後比較 OpenClaw 和其他記憶框架的差異，幫助你更好理解。

Google 在 2025 年 11 月發表了一篇論文，標題是「Context Engineering, Sessions and Memory」。

在這篇論文中，他們遵循半世紀前的認知科學方法，將 Agent 記憶分為三類：

三類：

• 情節記憶（Episodic Memory）：昨天發生了什麼事，上次討論了什麼。
• 語義記憶（Semantic Memory）：語義記憶（Semantic Memory）：你的名字是什麼、你喜歡什麼、你的身份是什麼。
• 程序性記憶（Procedural Memory）：如何完成任務、流程是什麼。

這三種記憶共同構成了 Agent 的記憶。

但這只是故事的一半；另一半是如何維護和使用記憶。

就像人類一樣，Agent 無法記住所有事情。因此，記憶系統需要一個可靠的方法，從對話歷史中提取重要資訊，然後儲存。

我把這一步稱為提取（Extraction）。

此外，我們還需要組織和合併記憶。

例如：

三個月前，我說我在大理，但後來我搬到成都。如果這些資訊沒有合併，記憶中就會出現矛盾的條目。

正確的做法是，在我搬到了成都是在我搬家後，將記憶更新為「使用者在成都」。

我把這一步稱為更新（Updating）。

還有檢索（Retrieval）步驟，涉及很多方法：關鍵字搜尋、語義搜尋、混合搜尋，或使用大型模型來檢索。

所以，要理解一個記憶系統，你只需要理解這兩個面向：

1. 記憶分為多少類別，每類儲存什麼？
2. 記憶如何提取、更新和檢索？

現在，用這個框架，我們來弄清楚 OpenClaw 的長期記憶是怎麼實現的。

OpenClaw 的記憶分為多少類別，每類儲存什麼？

它的記憶分為以下三種：

1. memory.md（記憶）：屬於語義記憶，儲存你的身份、偏好和穩定的事實。

1. daily logs（日誌）：屬於情節記憶，記錄每天發生的事，按日期組織。它只新增條目，從不刪除。

1. session snapshots（會話快照）：屬於情節層，當你使用 /new 或 /reset 命令開始新會話時，它會總結舊對話中最後 15 條「有意義」的訊息，並儲存為 markdown 檔案。

提取、更新和檢索是如何進行的？

提取發生在三種情況：

1. 當對話即將被壓縮時：有價值的資訊被寫入 daily logs。
2. 當你使用 /new 或 /reset 開始新會話時：有價值的資訊儲存到 session snapshots。
3. 當使用者要求記住某事時：系統決定儲存到哪種記憶類型。

檢索發生在兩種情況：

1. 當開始新對話時：memory.md 會自動注入提示詞中，同時也會讀取今天和昨天的 daily logs 昨天的 daily logs 以獲取近期上下文。
2. 當 OpenClaw 覺得需要檢查記憶時：它會呼叫記憶搜尋，透過混合搜尋（關鍵字 + 向量）找到記憶位置，然後透過記憶讀取（memory get）讀取檔案內容。

更新何時發生？我個人理解是在提取時，決定要記住什麼的時候。

如果你還是不太懂，可以看下面的圖：

現在你對記憶系統有了一些了解，但老實說，OpenClaw 的系統有幾個問題：

1. 消耗大量 token。
2. 如果 Markdown 不見了，記憶就消失了。
3. 經常忘記事情。

然而，真正的企業級記憶系統有許多最佳化來確保穩定性。背後的技術值得每個熱愛科技的人了解。

接下來，我來分析企業級 Agent 記憶系統！！

企業級 Agent 記憶系統

在 AI 時代，每個程式設計師都應該了解企業級 Agent 記憶系統的技術，否則你會失去競爭力。

為什麼？

因為大型模型會持續蠶食我們的程式設計工作。唯一的選擇就是為它們建立配套系統。

為了更容易解釋，我選一個名為 EverOS 的開源方案來拆解。

如果你打算從這個專案開始學習 Agent 記憶系統，歡迎給它一顆星：

github.com/EverMind-AI/EverOS

正如我之前所說，要理解一個記憶系統，只需要回答兩個問題。

EverOS 如何回答它們？

問題 1：記憶如何分類？

一般框架有 3 類，但 EverOS 進一步細分，如下所示：

1. 語義記憶（Semantic Memory）關於你是誰的長期記憶，分為兩層：
2. 穩定特質（Stable Traits）：你是夜貓子、程式設計師、住北京——這些長時間不變的事。
3. 暫時狀態（Temporary States）：你今天熬夜了、這週很忙、上週感冒了。

1. 情節記憶（Episodic Memory）分為三種：
2. Episode：對話或任務的濃縮總結，不是日誌。例如：使用者問如何部署模型，卡在環境變數上，花了 30 分鐘。
3. EventLog：從對話中提取關鍵事實，每個都有時間戳。例如：2026-05-10 使用者買了 Mac mini，2026-05-12 使用者連結了 GitHub。
4. Foresight：與時間相關的「下一步行動」——你說過要做的事，或它推斷你之後會涉及的事，有到期時間來提醒。例如：下週五前發送提案。

1. 程序性記憶（Procedural Memory）分為兩種：
2. Agent Case：完成任務後，記錄「意圖 + 逐步動作 + 品質分數」。例如：發送郵件——它檢查聯絡人、草擬、要求確認、然後發送——這整套被歸檔，並附帶品質分數。
3. Agent Skill（提煉技能）：多次執行類似任務後，它會自動從這些歸檔中提煉出通用方法，並附帶成熟度分數。做得越多，越可靠。例如：5 次郵件任務後，它學會在決定正式或隨意語氣之前，先檢查收件人是否為關鍵人物。

如你所見，EverOS 將原本的 3 類拆分為 類拆成 6 類，可以更精確地儲存，更有效地記憶。

而且，它更像人類記憶——它預測未來，並總結/提煉技能。

問題 2：記憶如何提取、更新和檢索？

記憶如何提取？

EverOS 自動判斷「這段是否結束」。結束後，它會切斷並打包成一個記憶單元。

每個單元包含 4 件事：

• Plot（情節）：討論和做了什麼——濃縮總結，不是逐字記錄。
• Key Facts（關鍵事實）：內部哪些事實值得單獨記錄。
• Foresight（預見）：你說過要做或它推測你會做的事，有到期時間來提醒。
• Context Tags（上下文標籤）：何時、何地、可信度如何、當時的情緒。

你只管聊天，它處理分段細節。

記憶如何更新？

例如：

一個月前，你告訴 AI：我打算開始健身。兩週後，你說：我一直很忙，沒去健身房。今天你說：算了，我不健身了。

普通解決方案把三條都塞進日誌。模型檢索到哪條，就認為哪條是事實。但實際上答案應該是最新那條。

EverOS 依賴「語義整合（Semantic Consolidation）」，做三件事：

• 自動判斷哪條是最新的（健身停止了）。
• 合併重複或指涉同一事件的事項。
• 維護使用者檔案，將穩定偏好與暫時狀態分開（正式名稱為 Profile Evolution）。

詳細如下所示：

記憶如何檢索？

EverOS 提供 4 種檢索方法，可根據場景選擇：

• 關鍵字：精確匹配，適合特定名稱或 ID。
• 向量搜尋：語義匹配——不同詞但意思相同可以匹配。
• 混合：關鍵字 + 向量一起，然後通過重新排序模型過濾——推薦預設。
• Agentic：用於複雜的多部分問題；LLM 判斷搜尋什麼以及如何搜尋，迭代直到找到（混合不夠用時使用）。

但 4 種方法不是關鍵，關鍵是檢索邏輯。

普通解決方案是被動的——你給關鍵字，它返回匹配文件，結束。

EverOS 主動重建上下文：

1. 分析你這次想做什麼。
2. 啟動相關的主題場景。
3. 過濾過期資訊（例如一年前的偏好可能無效）。
4. 迭代搜尋，直到收集到足夠資訊。

普通解決方案像搜尋引擎，搜一次就結束。EverOS 反覆從不同角度尋找，直到找到足夠資訊。

EverOS 在長期記憶基準 LoCoMo 上（使用 GPT-4o-mini）達到了 93.05% 的總體準確率，比對照方案 Zep（85.22%）高出近 8 個百分點。

看完這部分，你應該對生產級的 Agent 部分，你應該對生產級的 Agent 記憶系統有很好的概念。但它們如何在實際工程中落地，你可以用它們做什麼？

實際生產實作

我繼續用這個開源專案來說明，原因有兩個：API 免費開放，而且倉庫裡有 20 個真實案例——非常適合討論實作！！

免費開放 API

EverOS 的 Cloud API 是免費開放的。

三步驟開始：

1. 在瀏覽器中打開 everos.evermind.ai 註冊，頁面會給你一個 API Key，儲存起來。
2. 透過命令列安裝 SDK：pip install everos
3. 在 Python 中實例化客戶端，開始使用。

EverOS 不僅免費試用，還支援最近流行的技能自我進化（Skill Self-Evolution）功能！！

如何使用技能自我進化？

當 Agent 重複執行類似任務時，EverOS 會自動將經驗提煉成可重複使用的技能。下次遇到類似任務時，直接使用技能，而不是從頭開始。

在程式碼中使用它需要串聯 3 個 API：

兩點注意：

• 第一次餵入軌跡時，只會產生一個 case（單一任務的歸檔）。技能只有在多次類似任務後才會被聚類和提煉。
• 你必須使用 /memories/agent 端點；普通的 /memories 不會提取技能。

如果你不懂技能自我進化功能，可以看下面的圖：

我簡要提到了程式碼用法，但作為 Agent 基礎設施，這個專案有極其寶貴的真實使用案例。

而且這些案例都是開源的，可以直接學習！！

20 個真實使用案例

倉庫的 README 列出了 20 個使用案例，這裡列舉幾個：

• MemoCare（阿茲海默症記憶助手）：為認知衰退患者提供永不遺忘的外部記憶——這是最暖心的公益專案之一。
• Claude Code 外掛：為 Claude Code 添加長期記憶，跨會話記住。
• Game of Thrones：將《權力歐與權力遊戲情節餵給 AI，扮演長期記得自己身份的。
• OpenHer：AI 女友，情感陪伴 + 記憶演化。
• Computer-Use with Memory：讓 Agent 控制電腦，並記住每次操作的經驗。
• Memory Graph Visualization：將記憶系統可視化為圖形。

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

順便提一下，幾個官方外掛：

API 還不夠，所以 EverOS 將記憶能力打包成幾個開箱即用的外掛：

• Claude Code 外掛：為 Claude Code 添加長期記憶——每次回覆後自動儲存，每個問題時回憶上下文，並有視覺化的 Memory Hub 面板。一條命令安裝。
• OpenClaw 外掛：將 EverOS 作為 OpenClaw 的「記憶插槽」——Agent 在執行前自動檢索相關記憶（情節、檔案、案例、技能），並在執行後儲存對話和工具呼叫。
• OpenClaw 技能：將 EverOS 記憶工具以「技能」形式連接到 OpenClaw / Claude Code，讓 Agent 按需呼叫記憶，而不是永久附加。

回到開頭的三個問題：

什麼是記憶系統？OpenClaw 的記憶系統怎麼樣？企業級解決方案長什麼樣子？

你現在應該有答案了。

EverMind 是一個優秀的專案：

1. 整個專案是 Apache 2.0 開源，目前有 4500+ 顆星。
2. EverMind 有深厚的學術和演算法背景，持續發表論文；之前的 MSA 也是一個非常先進的概念。
3. EverMind 是盛大旗下的 AI Native 公司，資源豐富。

如果你打算從這個專案開始學習 Agent 記憶系統，歡迎給它一顆星：

github.com/EverMind-AI/EverOS

他們月底還有新產品上線，期待！！

這是我第一次嘗試用文章解釋技術概念。為了讓大多數人理解，我省略了許多細節。

涉及的技術很複雜；歡迎在評論中指出錯誤以便修正。

如果你喜歡我的文章，可以收藏、評論、轉發給朋友，並追蹤我。