上下文与记忆：让 Agent 保留事实、约束和进度

记忆向执行循环提供信息，但记忆内容仍需经过来源、时效和权限检查。

图：记忆向执行循环提供信息，但记忆内容仍需经过来源、时效和权限检查。来源：Generative AI agent architecture，作者 Marxav，许可 CC BY-SA 4.0。

学习目标

能够解释长对话为什么会遗忘、混淆或错误执行，并设计一种能恢复、可删除且不会串用户的记忆结构。重点是内容职责和更新规则，而不是给数据库起一个 Memory 名字。

上下文预算和持久执行状态。模型一次调用通常只使用本次提供的上下文；历史数据库中的内容不会自动被它读到，需要应用选择和装配。

把 Agent 需要的信息分成四类。对话历史保存用户表达；任务状态保存完成步骤与待办；长期记忆保存经允许保留的稳定偏好或事实；知识库保存可检索的外部材料。它们的可信度、生命周期和权限不同。

“用户喜欢简洁回答”可以是一条偏好；“已经创建了工单 123”是业务状态；“用户说自己有管理员权限”只是用户陈述，不是授权事实。把这些混为一段摘要，恢复时很容易做错决定。

一条可用记忆至少具有主体范围、内容、来源、写入时间、适用时间、版本或有效性标识。重要任务状态还要保存动作 ID、参数摘要和外部结果引用。记忆的检索键可以包含 tenant、user、task 与类型，而不是仅用语义相似度。

上下文装配可表示为 C=系统约束+当前任务+必要状态+相关历史+检索证据+工具结果。它受 token 预算约束，因此需要选择策略，但权限和关键约束不能因分数低而被省略。

优先保留用户目标、明确限制、已确认的参数、未解决问题、完成动作及证据位置。工具原始结果过长时保存结构化要点和可追溯 ID，需要时重新读取。长日志不必一直回注，但不能把“部分成功”压缩成“全部完成”。

摘要应显式区分事实、假设和建议。让模型对摘要自评“可信”不能替代来源验证。对于关键金额、路径或资源标识，使用结构化字段并校验；摘要里的自然语言可以辅助解释，不能成为唯一执行依据。

短期任务状态随步骤更新；长期偏好写入前要考虑用户意愿和必要性。出现矛盾时按来源和新旧规则处理，不能仅保留最近一句话。用户纠正偏好，可以替换旧条目；外部制度变更，则应回到权威知识源校验。

删除需要传播到记忆索引、摘要和缓存。为每条派生记忆保存来源 ID，才能追踪。仅删原始聊天但保留自动提炼的事实，可能仍保留了用户要求移除的信息。

先限定租户与用户，再按当前任务检索；共享团队知识与个人记忆使用不同范围。相似问题并不说明能共享答案，尤其当答案引用私人项目或历史授权时。

事实可能过期。例如“用户当前属于项目 A”不应作为长期授权缓存；每次实际访问仍查可信权限。业务状态恢复也应查询外部系统，避免在记录过旧时重做已完成动作。

把全部历史塞进窗口，可能造成延迟、无关信息干扰和旧意图污染。只保留最后几轮，又可能丢失最早的预算和边界。更稳妥的组合是固定重要约束、结构化任务状态、近期历史和按需检索。

“记忆越多越个性化”忽略了错误固化。一次模型猜测如果被写入长期记忆，下一次检索又把它当作事实，可能形成自我强化。写入来源必须区分用户声明、工具证据和模型推测，并限制自动提升可信度。

多 Agent 共享同一段可写摘要时，可能覆盖彼此进度或污染约束。可采用按任务分区、结构化事件、版本检查和集中合并；是否值得多 Agent 仍要用成功率与成本验证。

摘要是无损压缩吗？ 不是。应通过恢复后的任务表现及关键字段保留率测试，而非只看字数压缩比。
记忆怎么评？ 测跨轮约束保持、正确事实召回、过期信息使用率、跨用户泄漏、删除生效和任务完成，按时间间隔与任务长度分组。
工具结果应该永远保留吗？ 保存必要证据与执行状态，但敏感原文和临时数据应遵循保留策略，模型上下文只装配当前必要部分。
90 秒回答： 我把历史、状态、长期偏好与知识库分开管理，保留来源和有效期，压缩时保护约束与已执行动作；检索先做主体隔离，恢复时校验外部状态，评测关注记忆是否帮助正确完成任务及是否产生泄漏。