本文探讨了 Agent 为什么会“忘记”之前的信息，并提出了三种解决方案：将信息分类保存（眼前工作、长期事实、历史细节），设计记忆流程（保存、查找、确认），以及选择合适的工具（摘要、关键词搜索、向量搜索、知识图谱）。文章还介绍了 Claude Code、Codex 和 Hermes Agent 三种主流系统的记忆机制，并建议根据实际需求选择合适的记忆系统，让重要信息在需要时能够被 Agent 调用。
你昨天花了半小时告诉 Agent 项目背景、技术选择和写作要求。今天打开新会话，它却像第一次见面：又问一遍背景，甚至推翻昨天刚定下的方案。
这通常不是模型“变笨”了，而是系统没有把昨天有用的信息带到今天。
如果给 Agent 接一个数据库，也解决不了所有问题。系统还得知道哪些内容值得保存、下次怎样找回来、旧信息变了怎么办。Agent 记忆的核心，不是保存更多聊天记录，而是让重要信息能在合适的时候接着发挥作用。
01 为什么 Agent 会忘记
模型每次回答，都要先收到一份输入。当前问题、对话内容、项目文件和工具结果，只有被放进这份输入里，模型才能用它们来推理。
这份输入就是上下文。模型上下文窗口不断变大，但是也有上限；更重要的是，模型不会自动替你挑出哪些历史应该留下，也不会自动保证上次的结论出现在下次对话里。
所以要区分两件事：聊天记录保存了过去说过什么；记忆系统负责挑出以后可能还用得上的内容，并在需要时找回来。
例如，过去一周的所有对话都可以保存下来；但下次继续项目时，真正有用的可能只有项目目标、最终选定的方案、选择原因和还没解决的问题。
02 Agent 应该记住什么
不是每句话都值得长期保存。可以先按用途分成三类：
- 眼前这项工作：当前做到哪一步、下一步做什么。任务结束后通常就不再需要。
- 以后还会用到的事实：项目目标、已确认的决策、用户稳定的偏好。适合简洁保存，之后按需带入。
- 过去发生过的细节：某次讨论的原话、一次操作的过程、当时为什么这么决定。保留在历史记录里，需要时再搜索。
此外，Agent 还可能需要查企业制度、产品文档或实时业务数据。这些内容应从有权限的权威来源读取，不能把一次聊天里提到的数字当成永久事实。
这里最容易出错的是把“推测”写成“记忆”。用户一次要求回答简短，不代表他永远喜欢简短；项目预算上个月是多少，也不代表今天仍然有效。记忆最好带上来源、时间和适用范围，变化后能更新或撤销。
03 怎样把过去的信息带到当前任务
一个实用的记忆流程可以归纳为三步：
保存值得复用的信息 ↓当前任务需要时再查找 ↓确认来源和时效后交给模型保存时，系统要判断这条信息是临时状态、长期偏好，还是项目决策。发现新信息与旧信息冲突时，要更新旧记录或注明变更，而不是把两条矛盾内容一起塞给模型。
查找时，也不必每次翻遍全部历史。继续刚才的任务，优先看当前进度；问“上次为什么选这个方案”，再去搜历史讨论；核对最新政策，则查正式制度库。
摘要、关键词搜索、向量搜索和知识图谱都是工具，各有适用场景。
摘要能缩短历史，但会丢细节；关键词搜索擅长找专名和精确说法；向量搜索能找意思相近的内容，却不能保证内容正确或仍有效；图结构适合关系复杂的问题，也更难维护。系统不需要把这些工具全装上，先看任务真正需要什么。
04 Claude Code、Codex 和 Hermes 怎么做
主流 Agent 系统（Claude Code / Codex / Hermes Agent）需要处理的其实都是四件不同的事：每次都要遵守的规则、今天做到哪了、过去发生过什么、哪些经验以后还能复用。
Claude Code 擅长把规则放到合适的项目位置；Codex 会进一步整理工作经验；Hermes 把常用信息和历史记录分开。
| Agent | 首先保证什么 | 细节怎么找 | 主要取舍 |
|---|---|---|---|
| Claude Code | 项目规则按作用范围进入上下文，也可积累自动记忆 | 会话恢复、压缩摘要与记忆条目各有用途 | 项目约定清楚；旧对话的完整细节仍需另行查找 |
| Codex | 项目规则之外，把过去任务整理成可复用的记忆 | 从索引进入记忆手册或单次任务摘要 | 能复用工作经验；整理会筛选，重要结论要保留出处 |
| Hermes Agent | 少量常用信息始终可见，历史细节不常驻 | SQLite 全文搜索会话原文 | 分工清晰；关键词搜索对不同措辞不够灵活 |
- Claude Code：规则写在项目里，经验也可以单独积累
Claude Code 的基础做法是用CLAUDE.md放规则。用户级文件可以保存跨项目的习惯，项目里的文件可以写本项目的代码约定和目录说明；放在子目录的文件还能把规则限定在更小的范围。模型开始工作时，相关文件会作为上下文提供给它。
这里的设计逻辑是：规则本身稳定，而且适用范围通常能从文件位置判断，就直接按层级加载，不必每次从整段历史里猜。把规则写在离它适用范围最近的地方，也更容易维护。
当前任务的过程仍在会话里。会话变长时，Claude Code 可以压缩较早的对话，保留一份简要回顾和最近内容，继续当前工作。
Claude Code 并非只有“静态规则文件”，也提供 auto-memory，用于从工作过程中积累跨会话的记忆条目。它与CLAUDE.md的区别是，前者记录逐步形成的经验，后者更适合明确、稳定、由人维护的项目规则。
2. Codex：当前任务之外，还会整理可复用的工作经验
Codex 同样用AGENTS.md告诉模型项目规则。文件可以按目录逐层生效：例如，仓库根目录写通用约定，某个子目录再补充该模块自己的规则。这样做和 Claude Code 的项目文件相似，都是把规则放在离任务最近、方便人检查的位置。
Codex 的记忆不只是“记住项目怎么做”，还试图从此前的工作中整理出“以后遇到类似任务，可以怎样更快、更稳地完成”。它通过一套后台记忆整理流程来实现。
先从已结束的工作过程中提取候选内容，再把有复用价值的信息整理到本地记忆目录。目录中可以有简短索引、较详细的记忆手册、单次工作的摘要，以及可复用的操作流程。新任务先读简短索引，发现相关主题后再查详细材料，避免每次把全部历史都塞进提示词。
3. Hermes Agent：常用信息直接带上，细节从历史里查
Hermes 的记忆系统可以简单理解为：少量常用信息每次带上，过去的对话按需搜索。
它将少量常用信息写入MEMORY.md和USER.md，并在新会话开始时放进上下文。前者偏环境和工作知识，后者偏用户习惯。由于这些内容每次都要占用上下文，设计上鼓励保持精简：它们适合存“经常要用”的信息，不适合变成所有聊天的摘要合集。
旧对话则走另一条路径。Hermes 把会话保存到 SQLite，Agent 需要回忆过去某件事时，可以调用session_search做全文关键词搜索，再查看命中的原始消息。这解决了“常用信息要随手可见”和“历史细节不该每次都加载”之间的矛盾。
05 记忆系统，该怎么选
如果主要想让 Agent 遵守项目规范，先写好项目指令文件。内容短、容易检查，也不需要额外搭建检索服务。
如果经常要接着上次的任务做，优先确认 Agent 能否保存和恢复会话，并把任务目标、已完成事项和下一步写清楚。
如果常常要问“之前讨论过什么”，保留可搜索的历史记录。找回后回看原始上下文，避免只根据一条摘要作决定。
如果要重复做同类工作，把验证过的步骤整理成 Skill、脚本或操作指南，并说明它适用于什么情况、哪些情况不要照搬。
如果涉及企业数据，还要确保不同用户和项目之间的记忆隔离。会变化的政策、金额和客户状态，应从正式系统查询；记忆不能替代权限控制，也不能绕过数据来源。
结语：让重要的信息在需要时出现
Agent 记忆不是把所有对话存起来，也不是装一个向量数据库就结束了。它要把当前进度、长期有用的信息和完整历史分开处理：眼前的工作方便接着做，稳定的约定下次还能用，过去的细节需要时搜得到。
Claude Code、Codex 和 Hermes 走的是不同路线：用项目文件管理规则、把工作经验整理成长期记忆、或将常用信息与历史搜索分开。选哪一种，先看 Agent 经常忘掉的究竟是什么，再决定把它放在哪里。
好的记忆不是让 Agent 什么都记住，而是让它在需要时想起真正有用的事。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
