智能体记忆系统架构

问题背景

依赖纯上下文窗口的智能体在会话结束后会丢失全部状态，也无法稳定回答需要关系遍历或时间点快照的问题。仅用向量 RAG 时，孤立文档块会丢掉「谁与谁有何关系」，也难以区分「当前有效事实」与已过期信息。

技能如何帮助你

本技能围绕短期、长期与基于图的记忆架构，说明从即时工作记忆到永久存储的上下文—记忆谱系，以及各层的延迟、容量与持久性取舍。

• 分层架构：工作记忆（上下文）、短期（会话内可检索）、长期（跨会话结构化）、实体记忆（身份与关系一致性）、时序知识图谱（valid from / valid until）
• 为何升级：对比向量 RAG 在关系查询与时间有效性上的局限；引入知识图谱与时序 KG 的查询模式（语义、按实体遍历、按时间过滤）
• 实现与整合：文件系统记忆、带元数据的向量 RAG、图库与时序 KG 等模式；记忆整合触发条件与合并、归档过时事实的步骤
• 集成思路：与上下文加载策略衔接，并指向 context-fundamentals、multi-agent-patterns 等关联技能

适用边界

架构选择取决于查询复杂度、基础设施与准确率要求；文件系统方案简单但无语义搜索与关系跟踪。需为检索失败设计降级，并关注持久记忆的隐私、备份与无界增长监控。