短期记忆#

生命周期=会话长度

长期记忆#

采用向量+结构化记忆

非结构化知识采用向量+RAG的方式；缺点：语义重叠，过期数据难处理 结构化记忆：固定字段、知识图谱；缺点：设计耗时

情景记忆#

常用方式：

• 会话结束时把“目标+步骤+结果+反馈”存为一条情景
• 新会话开始时检索相似情景作为参考
• 相比向量库检索“知识”，情景记忆检索“经验”

例子：用户上次让Agent订机票，明确要求“靠窗座位”。这条偏好可以：

1. 作为长期记忆存入用户profile（结构化）
2. 作为情景记忆存入交互历史（“上次订机票时用户要靠窗”） 下次再订机票时可能两个都命中，但出发条件不同

记忆冲突#

用户先说“我喜欢和咖啡”，后说“我不喜欢和咖啡了”---如何处理

• 以新覆旧：以最新实时为准（最简单，可能丢失上下文）
• 带时间戳保留：存两条+时间，检索时按最新的检索
• LLM仲裁：交给大模型判断+提示词

工作流程#

Hello Agent中的记忆系统工作流程： 操作类型分为三种：

1. 添加记忆

   • 基于内存和ttl管理的短期记忆
   • SQLite+向量数据库的情景记忆
   • 知识图谱+向量数据库的长期记忆
   • SQLite+向量数据库的多模态记忆

2. 搜索记忆：rag

3. 管理记忆

   • 记忆整合（短期记忆进阶为长期记忆/情景记忆）
   • 遗忘策略
   • 统计分析

memory tool#

业务流程中通过memory tool实现对记忆的管理

1
def execute(self, action: str, **kwargs) -> str:
2
    """执行记忆操作
3

4
    支持的操作：
5
    - add: 添加记忆（支持4种类型: working/episodic/semantic/perceptual）
6
    - search: 搜索记忆
7
    - summary: 获取记忆摘要
8
    - stats: 获取统计信息
9
    - update: 更新记忆
10
    - remove: 删除记忆
11
    - forget: 遗忘记忆（多种策略）
12
    - consolidate: 整合记忆（短期→长期）
13
    - clear_all: 清空所有记忆
14
    """
15

16
    if action == "add":
17
        return self._add_memory(**kwargs)
18
    elif action == "search":
19
        return self._search_memory(**kwargs)
20
    elif action == "summary":
21
        return self._get_summary(**kwargs)
22
    # ... 其他操作

添加操作

1
def _add_memory(
2
    self,
3
    content: str = "",
4
    memory_type: str = "working",
5
    importance: float = 0.5,
6
    file_path: str = None,
7
    modality: str = None,
8
    **metadata
9
) -> str:
10
    """添加记忆"""
11
    try:
12
    # 添加记忆操作
13

14
    except Exception as e:
15
        return f"❌ 添加记忆失败: {str(e)}"

三个关键任务：

• 会话ID的自动管理（确保每个记忆都有明确的会话归属）
• 多模态数据的智能处理（自动推断文件类型并保存相关元数据，不同记忆类型具体识别具体存储）
• 上下文信息的自动补充（为每个记忆添加时间戳和会话信息）

其中，importance参数（默认0.5）用于标记记忆的重要程度，取值范围0.0-1.0，这个机制模拟了人类大脑对不同信息重要性的评估。这种设计让Agent能够自动区分不同时间段的对话，并为后续的检索和管理提供丰富的上下文信息。

检索操作

1
def _search_memory(
2
    self,
3
    query: str,
4
    limit: int = 5,
5
    memory_types: List[str] = None,
6
    memory_type: str = None,
7
    min_importance: float = 0.1
8
) -> str:
9
    """搜索记忆"""
10
    try:
11
        # 参数标准化处理
12
        if memory_type and not memory_types:
13
            memory_types = [memory_type]
14

15
        results = self.memory_manager.retrieve_memories(
16
            query=query,
17
            limit=limit,
18
            memory_types=memory_types,
19
            min_importance=min_importance
20
        )
21

22
        # 减速以及结果处理
23

24
        return "\n".join(formatted_results)
25

26
    except Exception as e:
27
        return f"❌ 搜索记忆失败: {str(e)}"

遗忘操作

1
def _forget(self, strategy: str = "importance_based", threshold: float = 0.1, max_age_days: int = 30) -> str:
2
    """遗忘记忆（支持多种策略）"""
3
    try:
4
        count = self.memory_manager.forget_memories(
5
            strategy=strategy,
6
            threshold=threshold,
7
            max_age_days=max_age_days
8
        )
9
        return f"🧹 已遗忘 {count} 条记忆（策略: {strategy}）"
10
    except Exception as e:
11
        return f"❌ 遗忘记忆失败: {str(e)}"

模拟人类大脑的选择性遗忘过程，支持三种策略：基于重要性（删除不重要的记忆）、基于时间（删除过时的记忆）和基于容量（当存储接近上限时删除最不重要的记忆）。

1
# 1. 基于重要性的遗忘 - 删除重要性低于阈值的记忆
2
memory_tool.execute("forget",
3
    strategy="importance_based",
4
    threshold=0.2
5
)
6

7
# 2. 基于时间的遗忘 - 删除超过指定天数的记忆
8
memory_tool.execute("forget",
9
    strategy="time_based",
10
    max_age_days=30
11
)
12

13
# 3. 基于容量的遗忘 - 当记忆数量超限时删除最不重要的
14
memory_tool.execute("forget",
15
    strategy="capacity_based",
16
    threshold=0.3
17
)

合并操作

1
def _consolidate(self, from_type: str = "working", to_type: str = "episodic", importance_threshold: float = 0.7) -> str:
2
    """整合记忆（将重要的短期记忆提升为长期记忆）"""
3
    try:
4
        count = self.memory_manager.consolidate_memories(
5
            from_type=from_type,
6
            to_type=to_type,
7
            importance_threshold=importance_threshold,
8
        )
9
        return f"🔄 已整合 {count} 条记忆为长期记忆（{from_type} → {to_type}，阈值={importance_threshold}）"
10
    except Exception as e:
11
        return f"❌ 整合记忆失败: {str(e)}"

consolidate操作借鉴了神经科学中的记忆固化概念，模拟人类大脑将短期记忆转化为长期记忆的过程。默认设置是将重要性超过0.7的工作记忆转换为情景记忆，这个阈值确保只有真正重要的信息才会被长期保存。整个过程是自动化的，用户无需手动选择具体的记忆，系统会智能地识别符合条件的记忆并执行类型转换。

memory manager#

在底层与memory tool协作，分层设计体现了软件工程中的关注点分离原则，MemoryTool专注于用户接口和参数处理，而MemoryManager则负责核心的记忆管理逻辑。

MemoryTool在初始化时会创建一个MemoryManager实例，并根据配置启用不同类型的记忆模块。

MemoryManager作为记忆系统的核心协调者，负责管理不同类型的记忆模块，并提供统一的操作接口。 首先初始化各种记忆类的的存储、检索组件、配置等

针对四种记忆类型，实现各种记忆类型的

1. 工作记忆（WorkingMemory）

   工作记忆是记忆系统中最活跃的部分，它负责存储当前对话会话中的临时信息。工作记忆的设计重点在于快速访问和自动清理，这种设计确保了系统的响应速度和资源效率。

   工作记忆采用了纯内存存储方案，配合TTL（Time To Live）机制进行自动清理。这种设计的优势在于访问速度极快，但也意味着工作记忆的内容在系统重启后会丢失。这种特性正好符合工作记忆的定位，存储临时的、易变的信息。 工作记忆的检索采用了混合检索策略，首先尝试使用TF-IDF向量化进行语义检索，如果失败则回退到关键词匹配。这种设计确保了在各种环境下都能提供可靠的检索服务。评分算法结合了语义相似度、时间衰减和重要性权重，最终得分公式为：(相似度 × 时间衰减) × (0.8 + 重要性 × 0.4)。

2. 情景记忆（EpisodicMemory）

   情景记忆负责存储具体的事件和经历，它的设计重点在于保持事件的完整性和时间序列关系。

   情景记忆采用了SQLite+Qdrant的混合存储方案，SQLite负责结构化数据的存储和复杂查询，Qdrant负责高效的向量检索。 情景记忆的检索实现展现了复杂的多因素评分机制。它不仅考虑了语义相似度，还加入了时间近因性的考量，最终通过重要性权重进行调节。评分公式为：(向量相似度 × 0.8 + 时间近因性 × 0.2) × (0.8 + 重要性 × 0.4)，确保检索结果既语义相关又时间相关。

3. 语义记忆（SemanticMemory） 语义记忆是记忆系统中最复杂的部分，它负责存储抽象的概念、规则和知识。语义记忆的设计重点在于知识的结构化表示和智能推理能力。语义记忆采用了Neo4j图数据库和Qdrant向量数据库的混合架构，这种设计让系统既能进行快速的语义检索，又能利用知识图谱进行复杂的关系推理。

   添加记忆时执行知识图谱的完整构建流程、以及向量化存储

   检索实现了混合搜索策略，结合了向量检索的语义理解能力和图检索的关系推理能力

   混合排序算法采用了多因素评分机制：语义记忆的评分公式为：(向量相似度 × 0.7 + 图相似度 × 0.3) × (0.8 + 重要性 × 0.4)。这种设计的核心思想是：

   • 向量检索权重（0.7）：语义相似度是主要因素，确保检索结果与查询语义相关
   • 图检索权重（0.3）：关系推理作为补充，发现概念间的隐含关联
   • 重要性权重范围[0.8, 1.2]：避免重要性过度影响相似度排序，保持检索的准确性

4. 感知记忆（PerceptualMemory） 感知记忆支持文本、图像、音频等多种模态的数据存储和检索。它采用了模态分离的存储策略，为不同模态的数据创建独立的向量集合，这种设计避免了维度不匹配的问题，同时保证了检索的准确性

   感知记忆的检索支持同模态和跨模态两种模式。同模态检索利用专业的编码器进行精确匹配，而跨模态检索则需要更复杂的语义对齐机制