分层记忆系统与长期记忆管理
概述
Agent 记忆系统是所有 Agent 能力的底层基础设施。核心挑战：在极长对话（数万轮）中保持高质量响应。解法是分层的记忆系统设计，从工作记忆到长期记忆，配合生命周期管理。
7 区记忆模型（Hermes Agent 实践）
2026-06-07 在 Hermes Agent 上完成的记忆系统重构验证了以下设计：
IDENTITY → PROJECTS → RULES → QUICKREF → PENDING → LESSONS → GROWTH
| 区 | 用途 | 管理方式 |
|---|---|---|
| IDENTITY | 角色定义、Agent 分工 | 持久化 |
| PROJECTS | 当前活跃项目上下文 | 项目结束后归档 |
| RULES | 核心行为规则（含边界四档） | 用户偏好驱动 |
| QUICKREF | 工具设施一句话速查 | 引用扩展 |
| PENDING | 待推进事项，[DUE:日期] | 会话结束自动检查 |
| LESSONS | 近期教训（按日期倒序） | 超 5 条自动合并到 RULES |
| GROWTH | 自我认知（known_gaps / growth_edges） | 定期刷新 |
落地成果
| 指标 | 重构前 | 重构后 |
|---|---|---|
| 条目数 | 62 条 | 7 区 |
| 字数 | 7,879 | 2,059 (-74%) |
| 总注入 | 12,336 | 2,534 (-79%) |
生命周期标记
[PERMANENT]— 永不删除（角色定义、核心规则）[LONG]— 长期保留（项目上下文、成熟经验）[CONTEXTUAL]— 会话期间有效[LOG]— 记录性，不主动注入[TEMP]— 临时，带[EXPIRY:日期]，过期自动清理
经典理论：互补学习系统 (CLS)
McClelland, McNaughton & O’Reilly (1995) — 脑科学对记忆系统最重要的贡献之一：
| 脑区 | 功能 | Agent 映射 |
|---|---|---|
| 海马体 | 快速编码新经验，容量有限 | 增量倒排索引 |
| 新皮层 | 慢速整合结构化知识，容量巨大 | 冷备压缩存储 |
| 睡眠记忆巩固 | 5-10 倍速重放，转移记忆 | 离线批量压缩 |
关键机制：模式分离（区分相似经历）vs 模式完成（从部分线索重建完整记忆）。
记忆 Provider 生态
| Provider | 存储方式 | 独特优势 | 量级 |
|---|---|---|---|
| Honcho | PostgreSQL + Dialectic 推理 | 多 Agent 隔离、双层上下文注入 | 中等 |
| Hindsight | 知识图谱 + 4 策略检索 | 4 种并行检索策略 | 中-重 |
| Holographic | SQLite + FTS5/HRR | 零外部依赖、矛盾检测 | 轻量 |
| Mem0 | 向量搜索 + 图谱 | 自动记忆管理、SOC 2 合规 | 中等 |
| RetainDB | 混合搜索 + Delta 压缩 | LongMemEval SOTA、p95 <40ms | 中等 |
| ByteRover | 层级知识树 | CLI 优先、本地化 | 轻-中 |
Codex CLI 上下文管理（对比参考）
OpenAI Codex CLI 采用 stateless 三层架构：
| 层 | 机制 | 触发条件 |
|---|---|---|
| Prompt Caching（主力） | stateless 请求，保证精确前缀 | cache miss：换工具/模型/配置/MCP 顺序 |
| 自动压缩（兜底） | opaque 压缩块（encrypted_content） | model_auto_compact_token_limit 默认 200K |
| 可调参数 | compact_prompt、tool_output_token_limit 等 | 按需 |
对比总结：
| 维度 | Codex CLI | Hermes Agent | Claude Code |
|---|---|---|---|
| 模型 | stateless | stateful（session_id） | stateful |
| 压缩 | opaque encrypted block | LLM summarizer（可审计） | /compact 命令 |
| 缓存层 | Prompt Caching 自动 | 需手动管理 | Claude API 缓存层 |
| 上下文窗口 | — | 4K-16K | 1M |
| 合规 | ZDR 零数据留存 | 可控 | — |
记忆研究方向
- 记忆分层模型 — 工作记忆/短期/长期的分界阈值
- 存储层设计 — 向量 vs 结构化 vs 混合
- 写入策略 — 提取时机、去重合并
- 检索策略 — 主动预取/按需懒加载/排序加权
- 压缩遗忘 — 层级摘要、时间衰减、间隔重复
- 生命周期 — 分层转移、过期清理
2026-06 论文速览
- MMPO (Meta-Cognitive Memory Policy Optimization) — 提出信念熵（Belief Entropy）作为自监督代理衡量记忆质量，显式惩罚导致高认知不确定性的摘要。在 1.75M token 上下文中保持 97.1% 性能（2605.30159）
- MemTrain — 自监督上下文记忆训练框架，通过端到端掩码重建 + 中间记忆召回双目标联合优化，无下游数据即可提升记忆密集型推理最高 +17.67 分（2606.03197）
- Memory Poisoning Attacks — 首次系统研究 Agent 记忆投毒攻击，揭示从不可信输入到可信记忆的安全漏洞（2606.04329）
- CL-Bench — 持续学习基准发现专用记忆系统在持续学习上反而不如简单 ICL，对记忆系统设计路径有直接冲击（2606.xxxxx）
- MRAgent — 基于图的联想记忆（线索-标签-内容）结合主动重建策略，在 LoCoMo 和 LongMemEval 上提升 23%，同时降低 token 成本（2606.xxxxx）
- TriMem — 三粒度记忆架构：原始对话片段（保真）、原子事实（高效检索）、合成 profile（深度推理），TextGrad 驱动无需参数更新（2605.19952）
- AgingBench — 识别 Agent 四种衰老机制（压缩/干扰/修订/维护），系统研究长期部署中的可靠性衰减（2605.26302）
相关页面：MemorySystem ComplementaryLearningSystem DialecticReasoning Honcho MemorySystem PlasticLabs