Agent 记忆设计：短期状态、长期偏好和可删除记录

Agent 记忆不是把所有历史对话塞回上下文。记忆应该分层、可解释、可删除。LangGraph 文档把 memory 作为长期运行 Agent 的能力之一，提示缓存和上下文工程资料也说明上下文需要被组织而不是无限堆叠。[mem-001][mem-002]

三类记忆

• 短期状态：当前任务目标、已完成步骤、待确认事项。
• 长期偏好：用户喜欢的输出格式、语言、工作习惯。
• 长期知识：项目事实、文档索引、历史决策。

记忆的价值不是更多，而是更准确、更可控、更容易被用户纠正。

概念状态：

{
  "current_task": "整理 AI 教程",
  "decisions": ["使用技术教程风格"],
  "user_preferences": ["中文", "简洁"]
}

记忆要有删除策略

用户偏好可能过期，项目事实可能变化，敏感信息不应永久保存。每条长期记忆都应有来源、创建时间和删除方式。

综合这些资料可以推断：Agent 记忆更像数据产品，不是 prompt 技巧。它需要结构、权限和生命周期。

参考资料

1. [mem-001] LangChain Docs, “LangGraph overview”, https://docs.langchain.com/oss/python/langgraph/overview
2. [mem-002] OpenAI Developers, “Prompt caching”, https://developers.openai.com/api/docs/guides/prompt-caching