> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 从零实现AI代理的长期记忆
- URL: https://www.hubwiz.com/blog/build-long-term-memory-for-ai-agents-from-scratch/
- Published: 2026-02-15T23:18:57.000Z
- Updated: 2026-02-15T23:18:57.000Z
- Description: 如果你想构建一个能够真正了解你的 AI 代理，那么你就需要超越简单的聊天日志存储。
- Author: admin
- Tags: AGENT, #Import 2026-10-14 14:41

大多数开发人员认为"记忆"只是存储聊天日志。这是一个根本性的误解。

如果你想构建一个能够真正了解你的 AI 代理——一个能够根据你的整个对话历史、目标、健身水平和偏好提供个性化建议的系统——那么你就需要超越简单的聊天日志存储。

## 1、为什么当前的聊天机器人会失败

每次你刷新页面时,聊天机器人都忘记了你是谁。它必须从头开始了解你。

这会：

- 烧毁 token（每次重新阅读整个对话）
- 增加延迟（搜索数据库减慢响应）
- 提供糟糕的用户体验（机器人重复问相同的问题）

为了解决这个问题,我们需要分离**两种记忆**：

**1) 非结构化记忆（The Stream）**

- 持续的对话流
- 允许快速查询（不扫描整个表）
- 适合：一般聊天、最近上下文

**2) 结构化事实（The Facts）**

- 用户档案：年龄、性别、目标、健身水平
- 稳定的信息：不经常变化
- 适合：个性化推荐、设置更新

## 2、设置数据库

让我们使用 **SQLite**,因为：

- 轻量级（与 Python 代理完美集成）
- 内置（无需外部依赖）
- 完美适配演示环境

数据库架构：

```sql
CREATE TABLE IF NOT EXISTS profiles (
    session_id TEXT PRIMARY KEY,
    gender TEXT,
    age INTEGER,
    fitness_level TEXT,
    goals TEXT,
    updated_at TEXT DEFAULT CURRENT_TIMESTAMP
);

```

这个表是我们的"真相来源"——它包含不会随每次对话重新计算的稳定事实。

## 3、记忆提取层

在源代码中,我们实现一个轻量级提取函数：

```python
def extract_profile_updates(message: str) -> Optional[dict]:
    """从用户消息中提取个人资料更新。"""
    # 示例 - 提取年龄、健身水平和目标
    import re
    age_match = re.search(r'\b(\d+)\b', message)
    fitness_match = re.search(r'fitness level[:\s]+', message)
    goal_match = re.search(r'goal[:\s]+', message)
    
    if age_match or fitness_match or goal_match:
        return {
            'age': int(age_match.group(1)) if age_match else None,
            'fitness_level': fitness_match.group(1) if fitness_match else None,
            'goals': goal_match.group(1) if goal_match else None
        }
    return None

```

这个函数在后台运行,确保用户档案保持最新。

## 4、提示注入层（代理的大脑）

这是真正的魔法发生的地方。我们的代理需要能够访问这些记忆来做出智能决策。

我们使用 **系统提示注入**来组合查询：

```python
# 伪代码示例
context = {
    "stream_summary": get_recent_stream(),      # 非结构化：最近消息
    "user_profile": get_user_profile(),         # 结构化：用户事实
    "goals": get_user_goals()              # 从档案中读取
}

prompt = f"""
根据以下上下文,做出适当的回复：

**流记忆（非结构化）:**
{context['stream_summary']}

**用户档案（结构化）:**
- 年龄：{context['user_profile']['age'] if 'age' in context['user_profile'] else '未知'}
- 健身水平：{context['user_profile']['fitness_level'] if 'fitness_level' in context['user_profile'] else '未知'}
- 目标：{context['user_profile']['goals'] if 'goals' in context['user_profile'] else '无'}
- 偏好：根据健身水平和历史记录
- 更新时间：{datetime.now().strftime('%Y-%m-%d')}

**要求：**
- 提供个性化建议
- 参考健身目标和水平
- 如果涉及健身计划,调整建议
- 保持对话连贯性
- 不要假设信息,总是从档案中读取

**你的回复风格:**
- 专业且友好
- 如果需要更多上下文,说明你将从流记忆中查找
- 使用用户的名字（如果已知）
"""

```

这确保我们的代理不会做出奇怪的假设,而是基于真实数据。

## 5、技术实现细节

**源代码可在** [Fabio Hiroki 的 GitHub](https://github.com/fabiothiroki/langchain-fitness-coach?ref=hubwiz.com)\*\*

这是一个完整的、生产就绪的实现,包含：

- 双重记忆架构
- SQLite 数据库集成
- 提取和提示注入系统
- Gradio Web 界面

**关键技术：**

- 会话管理（`session_id`）
- 异步更新（避免阻塞）
- 上下文组合（Stream + Facts）
- 智能提示（避免重复查询）

## 6、实际应用场景

**场景 1：健身指导**

用户："我最近开始去健身房"

代理响应：

- 检索用户档案 → 年龄：28, 健身水平：初级
- 检索最近目标 → "每周锻炼 3 次"
- 生成个性化建议："根据您的健身水平,建议从每周 2 次开始,关注基础动作"
- 引用用户档案更新："记得你是从上次对话开始的"

## 7、未来展望

下一代 AI 代理不会只是"更聪明的聊天机器人"——它们将具有**深度持久记忆**,能够理解用户在多个对话中的意图、目标和偏好。

随着 **世界模型**的发展,我们有更多机会将记忆与推理相结合,创造出真正个性化的 AI 助手。

---

**原文链接：** [Build an AI agent with long-term memory](https://medium.com/gitconnected/build-an-ai-agent-with-long-term-memory-266fe5b7bcc1?source=home%5Ffor%5Fyou---------155-98--------------------f5493984%5F6ad6%5F4a3f%5Fb647%5F716e5990490f-------15-------)

**汇智网翻译整理,转载请标明出处**