上周我构建了一个AI Agent，这周我添加了记忆功能！

从头构建一个电商 AI 代理。也许你已经在 Reddit 上看到过之前的帖子了 🤫 没有用 LangChain。只用原始的 Anthropic SDK + TypeScript 搭配 Node.js。在让基础的工具调用循环跑通之后，我添加的第一个功能就是记忆。这个想法看起来很简单：保存对话。用户回来时再次加载它。（情景记忆） ```javascript // 每轮对话后保存消息 ConversationStore.saveMessages(sessionId, result.messages); // 恢复对话 const history = ConversationStore.getMessages(sessionId); ``` 它确实有效。代理重启后仍然能记住之前的对话。但过了几天我查看了存储的 JSON 文件…… ```json { "sessions": { "USER_1": { "messages": [ { "role": "user", "content": "hi" }, { "role": "assistant", "content": [ { "type": "tool_use", "name": "search_products" } ] } // 还有几百条消息…… ] } } } ``` 我又制造了一个问题。每次请求都要发送： - 旧的用户消息 - 助手的回复 - 工具调用 - 工具结果 - 中间推理上下文 每次请求都要把几百条消息送回 LLM。记忆确实工作了，但成本增加了，上下文也很快就被填满了。 错误在于把所有记忆都一视同仁。AI 代理通常需要不同类型的记忆： ## 工作记忆 这就是你当前的 messages 数组。代理正在使用的短期上下文。 ```javascript while (true) { const response = await llm(messages); if (!toolCalls) break; const results = await runTools(toolCalls); messages.push(results); } ``` 快速且简单。但一旦重启进程，它就消失了。 ## 情景记忆 这是我最初实现的东西。基本上就是对话时间线。 ```javascript class ConversationStore { saveMessages(sessionId, messages) { store.sessions[sessionId] = { updatedAt: new Date(), messages }; saveStore(store); } } ``` 这很有用，因为代理能准确记住发生了什么。但把所有东西永远存下来扩展性很差。10 分钟的对话没问题。但用户用了你代理几个月呢？那就不行了。 ## 语义记忆 这是更好的长期记忆方案。不要记住每一句话。而是记住重要的事实。 例子： 不再存储： - "用户询问了跑鞋" - "助手搜索了耐克鞋" - "工具返回了 20 个商品" - "用户选择了 10 码" 而是存储： ``` { "name": "Nikhil", "preferences": [ "喜欢跑鞋", "鞋码 10", "偏好耐克" ] } ``` 在会话结束后，运行一个更便宜的模型： ```javascript const memory = await anthropic.messages.create({ model: "claude-haiku-4-5", system: ` 提取重要用户事实。仅返回 JSON。 `, messages: [{ role: "user", content: JSON.stringify(messages) }] }); ``` 下一次对话：发送 5 条有用的事实，而不是 500 条旧消息。同样的个性化，上下文小得多，成本低得多。 ## 程序性记忆 这不是关于用户的。而是关于代理自身的行为方式。类似于 Claude Skills 或 Cursor 规则。 例子： - 始终以印度卢比（INR）显示价格。 - 绝不推荐不可用商品。 - 推荐鞋之前先询问尺码。 这种记忆很少变化。它基本上就是代理的操作手册。 ## 我正在转向的架构 - 工作记忆 = 当前对话 - 情景记忆 = 需要时使用的原始历史 - 语义记忆 = 长期用户知识 - 程序性记忆 = 代理行为 / 你知道的 SKILLS MD 文件 有趣的是，“添加记忆”很容易。设计一个在成千上万用户之后仍然能正常工作的记忆系统才是真正的挑战。 接下来我要构建语义提取层。很想知道大家在生产环境中是怎么处理这个问题的。你肯定需要使用数据库，比如向量数据库或 PostgreSQL。 参考视频见评论。