Agent 记忆是给无状态大模型配套的一套信息存储、检索、管理机制，用来保存历史交互、工具返回结果、用户偏好、任务经验，在多轮调用、跨会话的时候按需取出信息给到模型，让 Agent 可以连贯完成多步骤任务、记住用户长期偏好，而不是每一次请求都从零开始，很多面试会先区分记忆和普通聊天日志、原始上下文的差别，日志主要用来审计排查，记忆是专门筛选、压缩、召回后用来辅助模型推理的，整套记忆体系分为短期工作记忆和长期记忆，长期记忆又细分情景、语义、程序记忆，工程上分别用上下文缓冲区、向量库、结构化数据库实现，面试的时候除了背定义，还要说清楚不同记忆的容量限制、写入时机、召回策略，以及怎么处理记忆冲突、过期、错误记忆污染这些常见问题。
Agent 记忆四大类型对比表
| 记忆类型 | 存储内容 | 实现方式 | 生命周期 | 核心作用 |
|---|---|---|---|---|
| 短期 / 工作记忆 | 当前对话、工具返回、任务中间状态、目标 | 上下文窗口、消息缓冲区 | 单次会话内，会话结束失效 | 维持当前任务连贯，模型直接读取 |
| 情景记忆 | 历史事件、交互轨迹、某次任务完整过程 | 向量库 + 带时间戳的事件记录 | 跨会话长期保存 | 复盘历史发生了什么 |
| 语义记忆 | 稳定事实、规则、用户偏好、静态知识 | 向量库、结构化 KV 存储 | 跨会话长期保存 | 提供确定的知识、约束条件 |
| 程序记忆 | 工具调用流程、任务模板、执行步骤 | 工作流脚本、技能模板 | 跨会话长期保存 | 知道怎么完成一类任务 |
Agent 记忆核心流程清单
- 编码：从对话、工具返回内容里提取有效信息，过滤无关、临时、敏感内容
- 写入：判断是否值得持久化，短期直接进上下文，长期信息做向量化入库，同时打上时间、来源、置信度标签
- 召回：收到新请求时，按语义相似度、时间衰减、用户 ID、任务类型检索相关记忆
- 重排过滤：剔除过期、冲突、低相关记忆，只把少量有效内容注入 Prompt
- 更新与遗忘：用户纠正事实时覆盖旧记忆，过期或者低置信记忆降权、淘汰
面试高频区分要点
- 大模型本身无状态，记忆属于外部系统，不是模型内置能力
- 上下文窗口不等于记忆，上下文只是短期记忆的载体，容量受 Token 上限约束
- 不是所有聊天记录都要存长期记忆，一次性临时信息不需要入库
- 记忆召回不能只靠向量相似度，时间衰减、权限、置信度都要参与排序
记忆系统常见问题和工程对策
✅ 上下文溢出：滑动窗口、摘要压缩，精简短期记忆
✅ 记忆冲突：新信息优先级更高，同时标记冲突，必要时询问用户确认
✅ 记忆污染：写入前做安全过滤，低置信记忆降低权重，不直接当成事实
✅ 记忆膨胀：增加遗忘策略，定期清理失效、低频无用记忆
✅ 召回不准：增加元数据过滤，召回后做 rerank 重排
【常见问题】
问题 1：大模型 Agent 面试高频题里，Agent 记忆基础概念是什么，为什么 Agent 需要记忆？
回答 1：Agent 记忆是大模型外部的信息存储检索管理系统，因为原生大模型是无状态的，每次调用互相独立，Agent 记忆可以保存交互历史、用户偏好、任务经验，实现多轮连贯执行和跨会话记忆。
问题 2：大模型 Agent 面试高频题，Agent 短期记忆和长期记忆怎么区分？
回答 2：短期记忆也就是工作记忆，放在上下文窗口，只服务当前会话，会话结束就失效；长期记忆持久化存储在向量库、结构化数据库，支持跨会话调用，包含情景、语义、程序记忆。
问题 3：大模型 Agent 面试高频题，Agent 记忆和普通聊天日志有什么区别？
回答 3：Agent 记忆会筛选、压缩、召回，专门用来辅助模型推理；聊天日志偏向原始全量记录，主要用于审计、排查问题，不会直接送入模型上下文做推理。
【参考资料】
[2026-11-12]（大模型 Agent 面试高频题：Agent 记忆基础概念）阿里云开发者社区
[2026-11-04]（什么是智能体记忆_智能体记忆简介）腾讯云开发者社区
[2026-06-13]（Agent 记忆系统设计面试解析）抖音技术分享
[2026-06-07]（Agent Memory: Types, Techniques, and Implementation）Mastra
【免责声明】
本文为 Agent 记忆基础概念面试知识点整理，不同团队 Agent 记忆架构实现方案存在差异，面试回答可以结合项目实际实现调整，本文不构成工程落地的唯一标准方案。