Agent记忆系统
问题本质：上下文窗口再大也解决不了"选择性记忆"——Context Rot（上下文腐烂）、成本随历史线性膨胀、跨会话完全失忆。"金鱼问题"是 Agent 从工具走向伙伴的最大障碍。
四层记忆架构（2026 主流）
上下文窗口记忆：直接放 Prompt，最快，会话结束即清
工作记忆：当前任务结构化状态，解决长任务失忆（对应 LangGraph Checkpointer）
会话记忆：完整会话历史，摘要压缩控长度
长期记忆：跨会话持久化，混合检索精准召回
四类记忆内容（认知科学分类）
工作记忆：当前对话+草稿（上下文窗口）
情景记忆：带时间戳的事件（"3月12日客户投诉过账单"）
语义记忆：抽象事实与偏好（"用户用 Salesforce、偏好 Slack"）
程序记忆：学会的工作流程/技能库（较少实现）
三大检索范式
范式 | 代表 | 优点 | 缺点 |
向量检索 | Pinecone/Weaviate | 快、语义检索 | 表面召回，难捕捉实体关系 |
压缩摘要 | 滚动摘要 | 省 token | 信息丢失不可逆 |
知识图谱 | Zep/Letta/Mem0 | 关系推理强、处理矛盾事实 | 实现复杂、成本高 |
前沿系统
Letta（原 MemGPT）：OS 式分层——核心记忆+档案库，Agent 自主决定换入换出，显式记忆工具
Mem0：用户/会话/Agent 三层管理+压缩引擎（token 降 80%）+图记忆
Zep/Graphiti：时序知识图谱，时间戳解决矛盾事实（周一用 React、周三换 Vue）
MUSE：Plan-Execute-Reflect-Memorize 循环，成功提炼过程记忆，失败生成诊断
压缩与遗忘：大工具结果卸载（>20K token 存文件+路径引用）→ 摘要压缩 → 遗忘曲线（艾宾浩斯式衰减，动态保留高价值信息）。实测：token 降 90%、响应提速 91%、LoCoMo 准确率 +26%。
伦理底线：有记忆就要有遗忘机制（遗忘权）；嵌入 vs 明文边界模糊（GDPR 适用性存疑）；选择性回忆可能放大偏见。