第 05 讲：分层记忆——像人脑一样组织记忆

问题

把所有历史一股脑塞进上下文行不通；只用滑动窗口又会"突然遗忘"。Agent 需要像人一样的记忆体系：刚说的话记得清、重要的事忘不了、陈年的经验能召回。

核心模式

分层记忆：按时效与容量分三层，层间有明确的写入/晋升/淘汰规则。

class LayeredMemory:
    working: list     # 工作记忆：当前对话窗口，全量在上下文里
    episodic: store   # 情景记忆：会话级摘要，按会话检索
    semantic: store   # 语义记忆：跨会话提炼的事实/偏好/知识

    def on_turn_end(self, turn):
        self.working.append(turn)
        if len(self.working) > WINDOW:
            old = self.working.pop_oldest(n=10)
            self.episodic.add(summarize(old))        # 溢出 → 情景层

    def on_session_end(self, session):
        facts = extract_facts(session)                # 跨会话沉淀
        self.semantic.merge(facts)                    # 晋升 → 语义层
复制

推理时按需装配：工作记忆全量 + 情景记忆按任务召回 + 语义记忆按用户/领域召回——这就是第 01 讲分诊器的记忆后端。

实战要点

• 语义记忆的写入要保守：一次"我喜欢辣味"不该永久改变用户画像，设置信度或次数阈值，多次确认再沉淀
• 每层独立设置保留策略：工作记忆按轮数，情景记忆按会话数，语义记忆按冲突合并（新事实覆盖旧事实并记录时间）
• 记忆召回要注入时间戳，"三个月前你说预算 5 万"比"你预算 5 万"更准确
• 参考实现：MemGPT/Letta 的分层换页思想、Claude 的 memory 工具