_{🧠 记忆锚点：当前任务进工作记忆，经历进情节，知识进语义，做法进程序。}

💡 答案要点

记忆分类（四类）：

┌─────────────────────────────────────────────────────┐
│                   Agent 记忆体系                      │
├───────────┬───────────┬───────────┬─────────────────┤
│  工作记忆  │  情节记忆  │  语义记忆  │    程序记忆      │
│  当前对话  │  历史事件  │  知识概念  │   技能/流程      │
│ in-context│  向量DB   │  知识图谱  │  工具调用链      │
│  临时      │  可查询   │  持久化   │   持久化         │
└───────────┴───────────┴───────────┴─────────────────┘

工程实现（分层架构）：

展开 Python 代码示例（39 行）

class AgentMemory:
    def __init__(self):
        # Layer 1: 工作记忆（当前 context window）
        self.working_memory = []          # 当前对话消息列表
        self.max_working_tokens = 4000    # 工作记忆上限

        # Layer 2: 情节记忆（历史对话向量化）
        self.episodic_memory = VectorDB() # Chroma/Pinecone

        # Layer 3: 语义记忆（持久知识库）
        self.semantic_memory = KnowledgeBase()

    def remember(self, message: dict):
        """写入记忆"""
        self.working_memory.append(message)

        # 超出工作记忆上限 → 压缩 → 写入情节记忆
        if self._count_tokens() > self.max_working_tokens:
            self._compress_to_episodic()

    def recall(self, query: str) -> list:
        """检索相关记忆"""
        # 1. 先查工作记忆（最近对话，直接用）
        recent = self.working_memory[-3:]

        # 2. 再查情节记忆（历史对话中相关的）
        episodic = self.episodic_memory.search(query, top_k=3)

        # 3. 再查语义知识库
        semantic = self.semantic_memory.search(query, top_k=2)

        return recent + episodic + semantic

    def _compress_to_episodic(self):
        """工作记忆 → 情节记忆（摘要后向量化存储）"""
        old_turns = self.working_memory[:-3]  # 保留最近3轮
        summary = llm_summarize(old_turns)
        self.episodic_memory.add(summary, metadata={"timestamp": now()})
        self.working_memory = self.working_memory[-3:]  # 裁剪

实际项目中的记忆策略选择：

场景	推荐策略	原因
简单客服机器人	工作记忆（最近5轮）	简单够用，成本低
个人助手	工作记忆 + 情节记忆	需要记住用户偏好
知识库问答	工作记忆 + 语义记忆	需要检索外部知识
复杂多轮Agent	四层全用	复杂任务需要全局记忆

面试话术：

示例表达（仅在能用本人经历或可复现实验佐证时使用）： "我把 Agent 记忆分四层：工作记忆（当前 context，4K token 上限）、情节记忆（历史对话压缩后存向量DB）、语义记忆（知识库 RAG）、程序记忆（工具调用链缓存）。超出工作记忆上限时，自动压缩老对话写入情节记忆，下次 recall 时语义搜索取回。实测减少 token 消耗 60%，响应速度提升40%。"