智能体记忆的组成部分：构建持久化的 AI 知识

理解作为劳动分工的智能体记忆

智能体记忆被定义为在会话之间保留的知识，并保存为智能体稍后可以检索的上下文。这不包括内部权重更新、标准的上下文学习或简单的上下文压缩。有效的智能体记忆通过劳动分工发挥作用：智能体在活动会话期间将原始经验捕获到日志中，而离线期间（通常称为“做梦”）则用于将这些信息整合、组织并提炼为可用的知识。

“做梦”在记忆整合中的作用

“做梦”允许模型利用交互之间的空闲时间来处理现有的上下文。通过反思会话日志，智能体可以纠正错误、合成新的笔记并创建结构化的表示。这一过程模拟了生物记忆的整合，即大脑重放最近的经历以将其整合到长期存储中。

“做梦”的主要功能包括：

• 纠错： 智能体可以将记忆笔记与原始记录进行对比，以识别并纠正幻觉或过时的信息。
• 构建表示： 智能体可以创建“维基”或链接的知识库，作为地图，使它们能够比原始搜索更有效地导航大型数据集。
• 层级管理： “做梦”有助于将高价值信息提升到记忆层级的顶部，确保关键规则被预先加载到智能体的上下文窗口中。

判断显著性与预测

记忆从根本上说是对未来会话所需的预测。Anthropic 的研究表明，当赋予前沿模型（如 Claude Opus 5.5）判断哪些事件是显著的自由，而不是遵循预定义的僵化保存规则时，它们的表现最好。

在使用 Pokémon Red 作为长周期基准的对比测试中，不加选择地保存每次交互的模型（如 Sonnet 3.7）由于记忆混乱而导致性能下降。相反，优先考虑战略规则和高层计划的模型（如 Fable 5）保持了更好的专注度，并实现了更高的任务完成率。

实际实现与局限性

虽然“做梦”和结构化记忆提高了性能，但它们在计算成本和可靠性方面带来了新的挑战。

社区见解与批评

技术讨论强调了关于这些记忆架构的几个实际问题：

• 来源与冲突： 用户指出，记忆通常是被覆盖而不是版本化。正如一位评论者所观察到的，“记忆被修改/覆盖，而不是作为任何解决方案的来源被保留”，这表明需要更基于辩证法的方法来进行知识存储。
• 过度泛化： 一些开发者报告称，模型倾向于过度泛化或创建不相关的笔记，导致许多人倾向于禁用自动记忆创建，转而采用手动修剪或自定义工具。
• “做梦”术语： “做梦”一词的使用因将标准数据处理任务拟人化而受到批评。批评者认为“组织信息并不是做梦”，借用人类生物学的术语可能会掩盖底层过程的机械现实。
• 搜索与合成： 对性能基准的分析表明，虽然维基和“做梦”提供了收益，但简单的记录搜索仍然是一个强大的、低成本的基准。用户经常发现，将原始记录摄入数据库（如 DuckDB）比依赖智能体内部的记忆写入能力能提供更可靠的见解。

最终，智能体记忆系统的有效性取决于其平衡计算成本与存储信息效用的能力。随着模型变得越来越强大，重点正转向优化智能体如何决定保留什么、如何为未来的检索构建结构，以及如何随时间维护这些知识的完整性。