AI Agent 记忆系统：从短期记忆到长期知识

┌─────────────────────────────────────────┐
│              Agent 记忆系统               │
├─────────────┬─────────────┬─────────────┤
│  短期记忆    │  工作记忆    │  长期记忆    │
│  (Short-term)│ (Working)   │ (Long-term) │
├─────────────┼─────────────┼─────────────┤
│ 当前对话上下文│ 当前任务状态 │ 跨会话知识   │
│ 会话历史     │ 中间结果     │ 用户偏好     │
│ 上下文窗口内 │ 任务栈       │ 学习到的模式 │
└─────────────┴─────────────┴─────────────┘

messages = [
    {"role": "system", "content": "你是一个助手"},
    {"role": "user", "content": "你好"},
    {"role": "assistant", "content": "你好！有什么我能帮你的？"},
    # ... 对话继续
]

class AgentState:
    task: str                    # 当前任务
    plan: list[str]             # 执行计划
    current_step: int           # 当前步骤
    intermediate_results: dict  # 中间结果
    context: dict               # 任务上下文

用户输入
   ↓
[嵌入模型] → 向量
   ↓
[向量数据库] → 相似记忆检索
   ↓
注入上下文 → LLM 推理

1. 文档分块（Chunking）
   ↓

2. 向量化（Embedding）
   ↓

3. 存储到向量数据库
   ↓

4. 查询时：用户问题 → 向量化 → 相似度搜索 → 检索相关块
   ↓

5. 将检索结果注入 LLM 上下文 → 生成回答

# 按固定大小分块
chunks = split_by_size(text, chunk_size=512, overlap=50)

# 按语义分块（推荐）
chunks = split_by_semantic(text, similarity_threshold=0.8)

# 按结构分块（文档有明确结构时）
chunks = split_by_heading(text, level=2)

from mem0 import Memory

memory = Memory()

# 添加记忆
memory.add(
    "我喜欢用 Python 写后端，React 写前端",
    user_id="user_123"
)

# 搜索记忆
results = memory.search(
    "这个用户喜欢什么技术栈？",
    user_id="user_123"
)

class AgentMemory:
    def __init__(self):
        self.short_term = MessageHistory(max_messages=50)
        self.working = AgentState()
        self.long_term = VectorDB(collection="agent_memory")

# 混合检索：向量 + 关键词
results = hybrid_search(
    query="用户的项目进度",
    vector_weight=0.7,
    keyword_weight=0.3,
    top_k=5
)

新增 → 验证 → 存储 → 定期清理 → 归档