文章推荐了一份13页的Agent记忆工程白皮书（民间整理，非Anthropic官方出品），将其拆解为5层记忆金字塔：工作记忆（上下文窗口）、情景记忆（交互日志）、语义记忆（知识图谱）、程序记忆（技能固化）和遗忘引擎（矛盾消解）。文章指出缺乏记忆分层的Agent会不断重复踩坑、成本高企，而引入该架构后Mem0的Token消耗降低90%、延迟降低91%，Snowflake准确率提升20%。核心观点是：不要迷信更大的上下文窗口，应把记忆做成可检索、可进化、可修剪的工程资产。
本文是 Agent 记忆系列第二篇，基于普林斯顿的 CoALA 认知架构框架，将 Agent 记忆分为四种类型：工作记忆（当前上下文）、语义记忆（事实性知识）、情景记忆（带时间戳的具体事件）和程序性记忆（Agent 自行从重复经验中学到的规则）。作者强调仅靠厂商记忆功能只覆盖语义记忆的一小部分，完整的生产级 Agent 还需理解记忆的六阶段生命周期：提取、存储、检索、注入、更新与遗忘。文章为后续动手构建带记忆的 Agent 系统奠定概念基础。
文章探讨了 AI Agent 记忆工程的核心问题：存储已解决，检索才是关键。指出存储过多信息会导致检索性能大幅下降，并引用 LongMemEval 等研究数据证明“更多记忆，更差召回”。文章介绍了记忆的三种类型（情景、语义、程序）和四种操作（写入、检索、衰减、巩固），强调了“少写、精检”的重要性。
本文探讨了 Agent 内存的设计原则，指出有效内存应通过遗忘、压缩和整合事件来提升智能，而非单纯存储。文章基于 CoALA 框架，详细阐述了工作、情景、语义和程序四种内存类型的区别，强调了通过整合机制将情景转化为知识的重要性，并介绍了基于时间衰减和重要性的遗忘策略，以优化存储和推理性能。
