Anthropic最近发了一份13页的PDF，专门讲Agent的记忆系统设计。看…

Anthropic最近发了一份13页的PDF，专门讲Agent的记忆系统设计。看完之后我觉得，这可能是目前关于Agent记忆最清晰的一份指南了。 大部分Agent现在的问题是什么？上下文窗口一满，之前的信息就全丢了。用户上周说过的话、三天前部署失败的原因、上个月调整过的偏好设置——统统消失。每次对话都像第一次见面。 Anthropic提出的5层记忆架构，本质上是在回答一个问题：Agent到底该记住什么、忘掉什么？ 第一层是工作记忆，也就是当前的上下文窗口。这是最基础的，但大多数Agent只做到了这一层。当窗口填满时，旧的上下文就被丢弃，Agent就开始犯蠢。 第二层是情景记忆。记录的是发生过什么——完整的交互日志加上时间戳。比如Agent能回忆起"周二凌晨3点部署失败，原因是迁移脚本里有个拼写错误"。这种记忆让Agent有了时间线概念。 第三层是语义记忆。存储的是事实和关系，用知识图谱的方式组织。"用户偏好TypeScript"、"这个项目的数据库用的是PostgreSQL"——这些信息不会因为会话结束而消失。 第四层是程序性记忆。Agent尝试过3种方案，其中一种成功了，那这个成功的方法就会被保存为可复用的技能。下次遇到类似问题，直接跳过试错阶段。 第五层是遗忘机制。这一点很多人忽略了。一个从不遗忘的Agent会积累大量矛盾信息——用户搬了城市，Agent还在推荐旧地址附近的餐厅；用户改了技术栈，Agent还在按老习惯给建议。 实际效果方面，Mem0用这套架构后，每次查询只需要存储1800个token，而之前是26000个。Snowflake加了一个本体层之后，准确率提升20%，工具调用次数减少39%。 这份PDF的核心观点是：记忆系统不是锦上添花，而是Agent从聊天机器人进化为真正能学习的智能体的关键基础设施。没有好的记忆，Agent就只是一个每次都从零开始的问答机器。 PDF原文链接：anthropic.com/research/memor…