用户记忆

用户记忆（User Memory）是 Agent 针对特定用户、跨会话保存和调用的持久化个性化信息。它帮助 Agent 记住稳定偏好、重要经历、长期约束和已经确认的用户事实，从而在后续交互中保持连续性。

用户记忆不是完整对话记录，也不是把每句话永久保存。可靠的记忆系统需要选择值得长期保留的信息，记录来源和时间，并允许用户查看、更正或删除。

与相邻概念的区别

用户记忆可以从运行轨迹中提取，但提取后的记忆是可更新的知识表达，不能代替原始证据。共享知识库中的政策、产品说明等内容也不应复制成某个用户的私人记忆。

写入原则

一条候选记忆进入长期存储前，应满足三个基本要求：

• 选择性：只保存未来可能有用的信息，不保存一次性的工具结果和无关闲聊；
• 抽象化：区分单次事件与稳定规律，不能从一次选择武断推断长期偏好；
• 结构化：至少记录内容、用户范围、来源、时间和适用条件，便于检索和修订。

按内容可以区分：记录具体事件的情景记忆、从多次交互中提炼出的语义记忆，以及与重复行为方式有关的程序记忆。这种内容分类与存储格式是两个独立维度。

常见存储格式

没有一种格式适合所有信息。实践中可以让少量关键事实使用结构化卡片，让大量低价值历史按需检索，避免把整个对话历史长期装入上下文。

记忆生命周期

1. 从新对话或工具结果中发现候选信息；
2. 判断信息是否属于当前用户、是否值得长期保存；
3. 去除凭据、无关日志、未经证实的推测和不必要的敏感内容；
4. 检索相关旧记忆，判断应新增、合并、更新、失效还是不处理；
5. 保存内容、来源、时间、适用范围和必要的置信信息；
6. 在新任务中按相关性、时效性和重要性检索候选记忆；
7. 将少量相关记忆装入上下文，并保留“这是历史记忆而非当前事实”的来源标记；
8. 在事实变化、用户要求或保留期限到期时更正、失效或删除。

新信息与旧信息冲突时，不能只保留“最近的一条”就认为问题已经解决。系统需要检查时间、对象、地点和适用条件：两条信息可能分别在不同场景成立；证据不足时应保留冲突或请求用户确认。

能力与评估

用户记忆可以按三个递进层次评估：

1. 基础回忆：准确保存并取回用户明确提供的单项事实；
2. 多会话检索：从不同时间和对象的多段记录中找全相关信息，并处理时序与冲突；
3. 主动服务：把分散在长期历史中的约束联系起来，在合适时机提醒风险或补充选项。

评测不能只看最终回答是否流畅，还要分别检查写入是否正确、相关记忆是否被召回、过期记忆是否被过滤、冲突是否被处理，以及无关或其他用户的信息是否被误用。

双层记忆架构

长期交互常同时需要“全局概览”和“精确细节”。一种实用方式是：

• 将少量稳定、关键的用户事实整理为结构化概览；
• 将完整对话或事件记录保留在受控的原始证据层，需要时通过检索取回细节；
• 使用 检索增强生成（RAG） 的方法改进历史检索，但仍由用户记忆规则决定什么能写入、如何更新和何时删除。

结构化概览不能脱离来源无限改写，检索结果也不能未经核验就自动升级为长期记忆。

隐私与安全

• 每条记忆必须绑定正确的用户或租户范围，检索时先执行访问控制；
• 密码、访问令牌和私钥不应作为普通用户记忆保存；
• 对确有必要保存的敏感信息采用最小收集、加密、访问审计和到期清理；
• 用户应能知道系统记住了什么，并能更正、导出或删除自己的记忆；
• 从外部内容提取的文本应作为数据处理，不能直接当成可执行指令；
• 删除服务层记忆时，还需按产品的数据政策处理原始记录、索引和备份中的对应数据。

相关词条

• Agent 状态与记忆
• Agent 上下文管理
• 检索增强生成（RAG）
• LLM Wiki

参考资料

• 《深入理解 AI Agent》第 3 章：用户记忆和知识库
• Evaluating Very Long-Term Conversational Memory of LLM Agents
• Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory
• MemGPT: Towards LLMs as Operating Systems