记忆管理（Memory Management）

智能体系统需要记住过往交互信息，才能完成复杂任务并提供连贯体验。没有记忆机制，智能体就是无状态的，无法保持对话上下文、学习经验或个性化响应，仅能处理简单的一问一答，无法应对多步骤流程或用户需求变化。

核心问题是如何高效管理单次会话的临时信息和长期积累的知识。

核心思想：短期记忆维持当前对话，长期记忆跨会话保留知识。

短期记忆 vs 长期记忆

对比	短期记忆	长期记忆
范围	单次会话内	跨多次会话
存储	LLM 上下文窗口 / 框架状态	外部数据库（常为向量库）
生命周期	会话结束即消失	持久保存
用途	维持对话连贯	用户偏好、历史知识、学习经验
限制	上下文窗口大小	检索准确性、存储成本

标准解决方案是实现双组件记忆系统：短期记忆保存最近交互数据于 LLM 上下文窗口，维持对话流畅；需持久的信息则通过外部数据库（常为向量库）实现高效语义检索。

经验法则

只要智能体需要做的不仅仅是回答单个问题，就应采用该模式。对于需在对话中保持上下文、跟踪多步骤任务进度或通过回忆用户偏好和历史实现个性化的 Agent，记忆管理是必需的。只要智能体需根据过往成功、失败或新知识学习和适应，都应实现记忆管理。

Google ADK 的记忆组件

ADK 等智能体框架提供专用组件管理记忆：

Session（会话线程）

管理会话生命周期，包括历史（events）和临时数据（state）。SessionService 负责会话的创建、获取和管理。

State（临时数据）

session.state 是临时数据字典，通过前缀标明数据归属和持久性：

前缀	含义
`user:`	用户级数据，跨会话保留
`app:`	应用级数据
`temp:`	临时数据，会话结束即清除
无前缀	会话级数据

重要：推荐通过 EventActions.state_delta 或 output_key 更新 state，不要直接修改 session.state 字典。直接修改会绕过标准事件处理机制，导致变更未被记录、无法持久化、可能引发并发问题且不会更新元数据。session.state 应主要用于读取数据。

设计 state 时应保持简单，使用基础类型、清晰命名和正确前缀，避免深层嵌套，并始终通过 append_event 流程更新。

MemoryService（长期知识库）

MemoryService（BaseMemoryService 接口）定义了长期知识管理标准，主要功能包括：

添加信息：add_session_to_memory
检索信息：search_memory

Session 和 State 可视为单次会话的短期记忆，而 MemoryService 管理的长期知识则是持久且可检索的信息仓库，可能包含多次交互或外部数据。

ADK 提供多种长期知识存储实现：

InMemoryMemoryService：适合测试但不持久化
VertexAiRagMemoryService：生产环境推荐，利用 Google Cloud 的 RAG 服务实现可扩展、持久和语义检索

LangChain 的记忆管理

在 LangChain 中，记忆是构建智能、自然对话应用的关键。它让智能体能记住过往交互、学习反馈并适应用户偏好。LangChain 的记忆功能通过引用历史丰富当前提示，并记录最新交互以备后用。

ChatMessageHistory：手动管理

适合在链外直接控制对话历史：

history = ChatMessageHistory()
history.add_user_message("我下周要去纽约。")
history.add_ai_message("太棒了！纽约是个很棒的城市。")

ConversationBufferMemory：链式自动记忆

集成于链中，自动保存对话历史并注入到提示中。主要参数：

memory_key：指定提示中保存历史的变量名，默认 history
return_messages：False 返回格式化字符串，适合标准 LLM；True 返回消息对象列表，推荐用于 Chat Model

memory = ConversationBufferMemory(memory_key="history")
conversation = LLMChain(llm=llm, prompt=prompt, memory=memory)
response = conversation.predict(question="我想订机票。")

LangGraph 的长期记忆

LangGraph 支持高级长期记忆管理：

短期记忆：线程级别，跟踪单次会话内的对话，通过 checkpointer 持久化，可随时恢复线程
长期记忆：跨会话保存用户或应用级数据，在自定义命名空间下存储，可随时在任意线程中调用

长期记忆的三种类型

类比人类记忆：

类型	类比	说明	应用
语义记忆	记住事实	保存具体事实和概念，如用户偏好或领域知识	用户"画像"（JSON）或事实集合
情景记忆	记住经历	回忆过去事件或行为	few-shot 示例提示，学习成功交互序列
程序性记忆	记住规则	记忆任务执行方法，即核心指令和行为	系统提示，可通过"反思"自我优化

InMemoryStore

LangGraph 将长期记忆以 JSON 文档存储，每条记忆按命名空间（如文件夹）和键（如文件名）组织，支持 put、get 和 search 操作。

Vertex Memory Bank

Memory Bank 是 Vertex AI Agent Engine 的托管服务，为智能体提供持久的长期记忆。服务利用 Gemini 模型异步分析对话历史，提取关键事实和用户偏好。

信息按作用域（如用户 ID）持久存储，并智能更新以整合新数据和解决矛盾。新会话开始时，智能体可通过全量回调或嵌入相似度检索相关记忆，实现跨会话连续性和个性化响应。

Agent 的 runner 通过 VertexAiMemoryBankService 交互，初始化后自动存储会话生成的记忆，每条记忆标记唯一 USER_ID 和 APP_NAME，确保未来准确检索。Memory Bank 与 Google ADK 无缝集成，对于 LangGraph、CrewAI 等其他框架也可通过 API 直接调用。

代码示例

示例 1：LangChain 记忆管理（6.1记忆管理示例_LangChain.py）

包含三个递进示例：

ChatMessageHistory：手动添加和读取对话记录
ConversationBufferMemory + 标准 LLM：旅行顾问场景，自动维护对话历史，验证模型记住用户名字
ConversationBufferMemory + Chat Model：return_messages=True，以结构化消息对象提升效果

示例 2：LangGraph 长期记忆（6.2记忆管理示例_LangGraph.py）

InMemoryStore：演示 put/get/search 操作，存储用户偏好规则并通过语义搜索检索
反思更新程序性记忆（结构演示）：智能体通过反思更新自身指令，存储于 BaseStore

示例 3：ADK 记忆管理（6.3记忆管理示例_ADK.py）

State 工具封装：通过 ToolContext 在工具函数中更新 session.state（推荐做法）
InMemoryMemoryService：长期知识管理基本初始化
VertexAiMemoryBankService：Vertex AI Memory Bank 集成参考

关键要点

记忆对于智能体跟踪信息、学习和个性化交互至关重要
对话式 AI 依赖短期记忆维持单次聊天上下文，长期记忆则跨会话保存知识
短期记忆（即时信息）是临时的，常受 LLM 上下文窗口或框架传递方式限制
长期记忆（持久信息）通过外部存储（如向量数据库）保存，并通过检索访问
ADK 框架有专用组件：Session（聊天线程）、State（临时数据）、MemoryService（长期知识库）
在 ADK 中，推荐通过 EventActions.state_delta 或 output_key 更新 state，不要直接修改 state 字典
LangChain 提供 ConversationBufferMemory 等工具，自动将对话历史注入提示
LangGraph 支持高级长期记忆，通过 store 保存和检索语义事实、情景经历或可更新规则
Memory Bank 是托管服务，自动提取、存储和回忆用户信息，支持 ADK、LangGraph、CrewAI 等框架

总结

本章深入讲解了智能体系统的记忆管理，阐明了短期上下文与长期知识的区别及其实现方式。介绍了 Google ADK 提供的 Session、State 和 MemoryService 等组件的具体用法。掌握了智能体如何记住信息后，下一步将探讨智能体如何根据新经验或数据改变思维、行为和知识。