The 7 Types of Agent Memory: A Technical Guide for AI Engineers

📌 打造 AI Agent 的關鍵：深入解析 7 種記憶機制與其技術分類

TL;DR：將 LLM 從「無狀態」轉化為具備記憶能力的 Agent，需透過引數化與非引數化記憶來管理不同時效的資訊。

LLM 本質上是 stateless（無狀態）的。每一次 API 呼叫都像是一次全新的開始，一旦回應回傳，模型就會忘記之前的所有對話。對於單次問答這沒問題，但如果你在開發 AI Agent，這種特性將成為致命傷。

當 Agent 需要規劃路徑、呼叫工具或執行多步驟任務時，它必須具備「記憶」能力。記憶是將無狀態模型轉化為能保留上下文、從經驗中學習並隨時間採取行動之系統的核心基礎。

🧩 記憶的兩個維度：形式（Form）與時間（Time）

記憶的本質是任何能將資訊在模型推理過程中傳遞的機制。根據素材，記憶可從兩個軸線來定義：

• 形式 (Form)：分為引數化（Parametric，儲存在模型權重中）與非引數化（Non-parametric，儲存為純文字）。
• 時間 (Time)：分為短期（Short-term）與長期（Long-term）。

基於這兩個維度，AI Agent 的記憶可細分為以下型別（目前揭露 4 種）：

🧠 短期記憶：In-Context / Working Memory 這相當於系統的 RAM。所有目前處於 context window（上下文視窗）內的資訊都屬於此類，包含：

• 系統提示詞 (System Prompt)
• 近期的對話訊息
• 工具執行的輸出結果
• 推理步驟 (Reasoning steps) 其特性是速度快且至關重要，但具有暫時性且空間有限，且所有其他型別的記憶最終都要競爭這個有限的空間。

📚 長期記憶：三種不同的儲存形式

• Semantic Memory（語義記憶）：一個持久化的事實、偏好與領域知識庫。例如記錄「使用者偏好 Python 而非 JavaScript」。這類知識與學習的時間點脫鉤，像是 Agent 關於使用者或特定主題的組織化百科全書。
• Episodic Memory（情節記憶）：記錄特定的過去事件、完整的對話紀錄與任務執行過程。它記錄了哪些方法有效、哪些失敗，讓 Agent 能從經驗中學習。例如 Reflexion 與 ExpeL 等系統會撰寫文字形式的「事後分析 (post-mortems)」並儲存結論供未來使用。
• Procedural Memory（程式記憶）：關於「如何操作」的知識。涵蓋了技能、工具使用模式、工作流 (workflows) 以及行為準則。

🎯 實務啟示

對於 AI 工程師而言，設計 Agent 時不應將所有資訊都塞進 context window，而應根據資訊的性質選擇儲存策略：

• 即時推理 $\rightarrow$ 使用 Working Memory。
• 使用者偏好與事實 $\rightarrow$ 建立 Semantic Memory 儲存庫。
• 錯誤修正與經驗累積 $\rightarrow$ 實作 Episodic Memory 記錄執行日誌。
• 標準作業程式 (SOP) $\rightarrow$ 定義 Procedural Memory 規範工具使用路徑。

🔗 來源

• 標題：The 7 Types of Agent Memory: A Technical Guide for AI Engineers
• 作者／機構：Asif Razzaq
• 連結：https://www.marktechpost.com/2026/06/21/the-7-types-of-agent-memory-a-technical-guide-for-ai-engineers/

#AI #LLM #AIAgents #Memory #MachineLearning #ContextWindow #SemanticMemory #EpisodicMemory #ProceduralMemory #SoftwareArchitecture