做Agent项目最头疼的一件事，不是模型不够聪明，而是聊着聊着它就忘了你说过什么。昨天你告诉它“我预算三千以内”，今天再问推荐，它大方给你推了个五千的方案；上周你改了技术栈方向，这周它还在老方案里打转。这不是模型缺陷，是Agent根本没有把记忆当回事。我这两年做过几个Agent项目，从最开始的“每次对话塞全部历史”到后面的分层记忆架构，踩过不少坑，今天把“Agent扩展范式 + Memory记忆体系 + 多轮记忆改造”这条技术路线完整拆给你。这篇文章适合正在做Agent开发的工程师、准备Agent方向面试的同学，以及已经在用LangChain、LangGraph、Mem0、向量数据库等工具但总感觉记忆效果不对劲的人。我会讲清楚记忆体系应该怎么分层、多轮对话记忆到底改造的是哪些环节、框架选型怎么取舍，最后附上可以直接用的实操步骤和排查清单。
1. Agent扩展范式：为什么“记忆”是第四根支柱
1.1 三种经典扩展范式
聊Agent扩展，圈子里常说的其实有三条路：工具调用、技能编排、多Agent协作。工具调用是最常见也最容易理解的一种，Agent需要查天气、算日期、调数据库，就通过Function Calling把外部API接进来，让模型在推理的时候“伸手”够到外部世界的数据。技能编排则是把一组复杂的动作封装成可复用的流程，比如“生成一篇周报”这个技能内部可能包含数据收集、模板选择、内容生成、格式校验四步，Agent只要调用一次，就能完成整个链路的执行。多Agent协作更进一步，把大任务拆成多个小任务，让不同角色的Agent各管一摊，有的负责搜索，有的负责分析，有的负责汇总，通过消息传递协作完成目标。
这三条路解决的核心问题都是“能力边界”。工具扩展的是Agent能做什么，技能让复杂流程可以被复用，多Agent让系统具备分工能力。但它们都有一个共同盲区：Agent本身没有“状态”。你可以把工具、技能、协作者都理解成外部资
