Agent memory大揭秘：5种记忆形态，轻松拿捏！

要深入理解一个LLM Agent，就不能绕开它的记忆机制。但记忆不是单一的东西；首先，它有不同的形式。

很多人会把LLM Agent想象成一个厉害到不行的聊天助手，能记住你上句话，还能边聊边学新东西。但支撑起这个能力的，到底是怎么运作的？核心就在于记忆以何种形式存在。

最直观的一种，是文本形式。就像我们平时说话、写文章一样，把信息直接以文字方式记录下来。好处很明确：容易理解、实现起来简单，读写速度也快。但代价也很实在——一段内容过长，占用的空间就大，处理速度也跟着下降。好比你要背下一整本书，阅读、存储、检索的成本，会指数级上升。

文本形式的记忆，又能进一步细分：
- 存储完整的交互信息，比如把整段对话从头到尾记下来；
- 只保留最近的交互信息；
- 检索到的交互信息结合外部知识。

这三种各有明显的取舍。完整的交互能保留所有细节，但信息量太大会拖慢效率；只存最近交互，访问快，但可能错过关键历史。其实你在实际应用中应该也接触过——比如ReAct框架就属于“完整交互记忆”的应用。在Qwen-Agent中，通过chatml特有的多轮格式，把历史会话逐轮切分，最后一轮才会拼接上ReAct的提示词。这也是文本形式记忆的一个典型落地。

另一种更“高级”的形态，是参数形式记忆。它不直接存文字，而是把知识压缩成模型参数本身。这样一来，不受文本长度限制，存储效率更高。但缺点也在这里——写入时计算开销大，而且解释起来不如文本形式直观。

参数记忆背后涉及的技术，主要是fine-tuning（微调）和editing（知识编辑）。微调能让模型快速掌握特定领域的知识，而知识编辑则可以更精准地更新或删除某段记忆，同时尽量避免影响其他无关能力。

一个经典的案例是Character-LLM: A Trainable Agent for Role-Playing，整个Agent的业务逻辑就完全通过微调实现。

文本形式和参数形式并无绝对的优劣，它们适配的场景完全不同。如果需要快速回忆最近一轮对话，文本形式占优；但若要存储大量长期知识，或构建一个稳定、可复用的知识基底，参数形式显然更靠谱。

为了帮你更直观地对比，这里整理了一份经典的Agent系统关于记忆形式的总结表格，可以参考一下。