Anthropic 的 这个13 页 Agent 记忆白皮书有点牛逼啊，是今年我看过对「智能体记忆工程」拆解得最通透、最值钱的一份生产级手册：

很多做 Agent 的人死都想不明白：为什么自己的机器人越跑越蠢、矛盾百出？ 因为你的 Agent 从来不会遗忘， 读懂这套把大模型调用成本砍掉 90% 的 5 层记忆金字塔，你才会看清工业级 Agent 的生死线在哪里：

它开篇第一句就直击所有开发者的灵魂痛点： 大模型这两年聪明了 10 倍，但缺乏记忆的 Agent，每天都在你的代码库里重演《土拨鼠之日》—— 每天早上重新读一遍同样的 12 个文件、重新踩一遍昨天的坑、再向你收取一模一样的 Token 账单！

手册把能学习、能自愈的 Agent，严格拆成了 5 个物理层级：

• Layer 1【工作记忆（Working Memory）· 上下文窗口】： 模型当前这一瞬间看到的全部信息。90% 的玩具 Agent 止步于此，一旦填满就从头硬性截断，把最初的任务目标和关键决策直接切碎丢掉，然后纳闷为什么系统又崩溃了； • Layer 2【情景记忆（Episodic Memory）· 发生了什么】： 带时间戳的完整交互流水日志。当工作记忆溢出时，关键事件下沉到这里。它会清楚记得“周二凌晨 3 点脚本报错是因为第 42 行有个拼写错误”，防止在同一个坑里跌倒两次； • Layer 3【语义记忆（Semantic Memory）· 什么是客观事实】： 从日志中提纯出来的知识图谱与实体关系。比如“该用户偏好 TypeScript”、“生产数据库禁止直接写入”。即使会话关闭，这些跨会话事实也永远不会过期； • Layer 4【程序记忆（Procedural Memory）· 怎么把事情做成】： 这是 Agent 产生“技能复利”的核心！它尝试了 3 种报错解法，最后发现第 3 种行得通——系统自动将这次成功路径固化为一个可重用的 Skill 脚本。下次遇到类似任务，跳过所有试错，直接调用最优解； • Layer 5【最反直觉的一层：遗忘引擎（Forgetting Engine）· 什么时候该删】： 从不遗忘的 Agent，最终一定会精神分裂！ 旧偏好会和新指令激烈冲突（用户早就搬家了，它还在执着地推荐前东家楼下的外卖）。没有定期的垃圾修剪与矛盾消解，上下文只会演变成不可维护的毒瘤。

这笔账在工程上极其惊人： 实测引入这套架构后，Mem0 的单次查询 Token 消耗从 26,000 个断崖式暴降至 1,800 个（账单直接砍掉 90%），延迟压低 91%； Snowflake 加上语义实体层后，不仅准确率飙升 20%，工具调用轮次更是暴减 39%。

别再去无脑迷信更大的上下文窗口了。 没有分层沉淀和遗忘机制，给你 1000 万 Token 也只是买了一个更昂贵的失忆黑盒； 把记忆做成可检索、可进化、可修剪的工程资产，你的 Agent 才算真正拥有了灵魂。