分层记忆结构：工作记忆、情景记忆与语义记忆的协同-育师

分层记忆结构：工作记忆、情景记忆与语义记忆的协同

在构建拟人化、具备长期伴随与复杂问题解决能力的自主智能体（Autonomous Agent）时，许多开发者在设计记忆机制时，往往把所有记忆混杂在一个单体向量数据库中：

当前轮次的临时中间计算变量（如“当前正在重试第 2 次”）；
过去某年某月发生的具体事件历史（如“用户在 2025 年 3 月买过一双球鞋”）；
恒久不变的客观通用世界知识（如“Python 语法规范”、“公司财务报销标准”）。

把这些不同时效性、不同抽象维度的信息全部打成向量混在一起，会引发严重的**“记忆认知错乱与检索灾难”**：

当用户询问通用制度时，系统错误召回了某次具体的历史琐事事件；
当 Agent 需要进行单步状态流转时，无法秒级访问当前轮次的工作状态，不得不去向量库做慢速检索。

借鉴认知心理学与现代神经科学关于人类大脑记忆系统的经典三元划分——“工作记忆（Working Memory）、情景记忆（Episodic Memory）与语义记忆（Semantic Memory）”，构建一套物理分层、各司其职、高效协同的智能体分层记忆体系（Hierarchical Tripartite Memory Architecture），是赋予智能体清晰认知脉络的最高架构设计。

一、智能体三层分层记忆认知模型全景

┌────────────────────────────────────────────────────────────────────────┐ │ 1. 短期工作记忆 (Working Memory / Scratchpad) │ │ 认知对应: 人类大脑前额叶皮层 (秒级/会话级临时状态) │ │ 存储介质: 进程内内存变量 / Redis Hash (极速 < 0.1ms) │ │ 存储内容: 当前任务 DAG 执行栈、临时变量、待办步骤、当前轮次提取的实体键值│ ├────────────────────────────────────────────────────────────────────────┤ │ 2. 长期情景记忆 (Episodic Memory - "时间线上发生过的具体经历") │ │ 认知对应: 海马体 (自传体经历回忆、历史对话案例) │ │ 存储介质: 向量数据库 (带时间戳过滤) + 关系数据库审计流水 │ │ 存储内容: "用户在上周三抱怨过物流延迟"、"上个月排查慢查询成功的执行轨迹"│ ├────────────────────────────────────────────────────────────────────────┤ │ 3. 长期语义记忆 (Semantic Memory - "高度凝练的通用事实与概念知识") │ │ 认知对应: 大脑新皮层 (客观知识库、领域本体图谱、世界常识) │ │ 存储介质: 知识库 RAG 向量索引 + 领域知识图谱 (Knowledge Graph) │ │ 存储内容: 企业标准财务制度、专业医学术语本体、API 接口文档规范 │ └────────────────────────────────────────────────────────────────────────┘

二、三层记忆在一次复杂任务决策中的协同流转时序

[ 用户提问: "按照公司最新规定，我上周在上海出差的打车费能全额报销吗？" ] │ ▼ ┌────────────────────────────────────────────────────────────────────────┐ │ 步骤 1: 并发调取三层记忆中枢 │ │ ├── 语义记忆 (Semantic): 检索公司《差旅制度 2026版》 ──► "上海上限 100/天"│ │ ├── 情景记忆 (Episodic): 检索上周历史账单 ──► "上周在上海实际打车 85 元" │ │ └── 工作记忆 (Working) : 注入当前会话变量 `current_user="张三", dept="研发"`│ └──────────────────────────────┬─────────────────────────────────────────┘ │ ▼ (三大记忆切片在 Context Assembler 处汇聚) ┌────────────────────────────────────────────────────────────────────────┐ │ 步骤 2: 大模型综合逻辑推导 (Reasoning with Tripartite Context) │ │ 动作: 比对 85元 <= 100元，推导得出"可以全额报销"结论 │ └──────────────────────────────┬─────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────────────────────────┐ │ 步骤 3: 记忆更新与持久化固化 │ │ ├── 工作记忆: 更新 `last_query_topic = "差旅报销"` │ │ └── 情景记忆: 异步沉淀新事件: "张三在 2026-09-11 咨询了报销资格并已确认"│ └────────────────────────────────────────────────────────────────────────┘

三、生产级 Python 分层记忆中枢核心调度实现

import time from typing import Dict, Any, List from pydantic import BaseModel class TripartiteMemoryBundle(BaseModel): working_memory: Dict[str, Any] episodic_memories: List[str] semantic_knowledge: List[str] class HierarchicalMemoryOrchestrator: def __init__(self, redis_working_mem, episodic_vector_store, semantic_knowledge_rag): self.working_mem = redis_working_mem # 工作记忆 (Redis) self.episodic_store = episodic_vector_store # 情景记忆 (含时间戳的经历向量库) self.semantic_rag = semantic_knowledge_rag # 语义知识库 (制度与文档 RAG) def retrieve_unified_memory(self, user_id: str, session_id: str, current_query: str) -> TripartiteMemoryBundle: print(f"【分层记忆调度 🧠】正在为用户 [{user_id}] 聚合三层记忆...") # 1. 提取工作记忆 (0 延迟读取 Redis 当前会话临时变量) working_state = self.working_mem.get_session_scratchpad(session_id) # 2. 并发检索情景记忆 (检索该用户在历史特定时间点发生过的具体事件) query_vec = self.episodic_store.embed(current_query) episodic_hits = self.episodic_store.search_user_history( user_id=user_id, vector=query_vec, limit=2, min_score=0.75 ) # 3. 检索语义知识记忆 (检索通用的企业规章制度与百科知识) semantic_hits = self.semantic_rag.search_knowledge_base( vector=query_vec, limit=3, min_score=0.70 ) print(f" └── 工作记忆: {len(working_state)} 个临时变量 | 情景经历: {len(episodic_hits)} 条 | 语义制度: {len(semantic_hits)} 条") return TripartiteMemoryBundle( working_memory=working_state, episodic_memories=[e["text"] for e in episodic_hits], semantic_knowledge=[s["text"] for s in semantic_hits] ) def assemble_prompt_context(self, bundle: TripartiteMemoryBundle) -> str: """将三层记忆格式化为结构清晰、互不干扰的标准化提示词上下文""" return f""" 【当前会话实时工作状态 (Working State)】: {bundle.working_memory} 【用户历史个人经历档案 (Episodic Memories)】: - """ + "\n- ".join(bundle.episodic_memories) + """ 【企业权威通用制度知识 (Semantic Knowledge)】: - """ + "\n- ".join(bundle.semantic_knowledge)