在agent开发中短期记忆、长期记忆、对话历史也算是耳熟能详的概念了，一开始我一直很迷惑，经过一些时间的实践和探索，得出了一些结论，今天就用十分凝练易懂的方式让你5分钟贯通。

• 什么是短期记忆、长期记忆、对话历史？
• 他们在agent运行的过程中起到什么作用？
• 🌟彼此之间如何相互配合运作🌟

一、概念简介

其实对话记忆这些在简单的chat_bot场景、work_flow中也是经常用到的，不止局限于agent场景，可以把思路打开。下面我来介绍他们的概念和作用。

短期记忆

所谓短期记忆，就是llm所读取的上下文，这部分记忆长度有限受模型上下文窗口的限制，目前市面上主流大模型的上下文基本都在128k，短期记忆需要高频次读写，所以一般存储在内存当中，但是并非绝对，也可以做持久化处理。

由于存储在内存中这就导致短期记忆具有临时性、线程性、会话性这些特点，线程重启或对话关闭便会丢失并且不可打破对话边界。

在我们开发agent的过程中常用的一些开发框架比如langchain都有对应的组件，其中的ChatMessageHistory是所有高级记忆组件的底层依赖，本质是对「List[BaseMessage]」的轻量封装，提供增、删、查、清空消息列表的便捷方法，支持内存中临时存储消息 。

BaseMessage是所有消息对象的基类

长期记忆

长期记忆是突破会话边界、可持久化存储、能按需检索复用的非临时信息集合，核心作用是让 AI 具备跨时间、跨会话的 “持续认知能力”，而非仅局限于当前对话的上下文。 在长期记忆中不仅可以存储对话历史，更可以对用户的偏好进行总结存储，让agent在与用户交互的过程中更贴近用户的需求。

长期记忆可以保障llm即使经过多轮对话或者超长时间跨度依然可以“想起”曾经的内容，与短期记忆结合构成一个相对完整的记忆体系。

Gemini就会对用户的偏好、特性进行总结记忆，比方说他会从我跟他的交互历史中判断出我的职业是程序员，并且主要从事agent开发，那么后续的一些对话中他的回答就会考虑这些，当然这点的好坏其实是具有辩证性的：当我们问一些行业相关的东西，他会根据你的职业给出针对性的建议，显然体验很好；但是问一些日常问题他也会使用程序员思维来回答你，这就有点没必要了。

对话历史

很奇怪吧，为什么我上面说“短期记忆+长期记忆”只是相对完整的记忆体系，为什么我要提出对话历史这个概念呢？

因为一个成熟可工程化落地的项目中：短期记忆和长期记忆都是依托于对话历史的。

我这里说的对话历史，是完整的、全量的用户和agent交互记录，包括思考过程、工具调用等所有的信息。用几个场景就能让你明白对话历史的重要性。

场景1:

用户与模型对话了200轮远超模型上下文窗口，需要多次压缩投喂给ai，已经损失很多内容了，但是用户视角来看，内容依然是完整的，这里前端上下文的加载展示，需要全量完整的对话历史

场景2:

用户关闭了对话，下次对话开始时，短期记忆因为存储在内存中完全丢失，但是用户继续询问，他依然有当时的记忆，ai的记忆从哪里来的？全部从长期记忆中找的吗？不是的，长期记忆存了多次对话的信息，记录的内容更半结构化、个性化，并且已经经过一次压缩抽取，内容多、杂，如果再加载到llm对话上下文中还需要压缩，会丢失很多信息，并且会存在上下文语意不连贯的问题。

那怎么办？

——根据完整对话历史进行总结，加载到当前上下文中，构建短期记忆，可以保证语意连贯，避免碎片化信息

场景3:

用户跟大模型对话，快要超出模型上下文窗口时进行短期记忆压缩，构建长期记忆时怎么办？用压缩后的短期记忆 ？肯定不行啊，还是上面的问题两次压缩总结丢失内容，这个时候就需要原始的对话历史来构建长期记忆了

总结来说，对话历史的作用是：

• 向用户展示对话历史
• 会话重启后重构短期记忆
• 在交互过程中构建长期记忆

二、他们三者如何相互配合运作

对话进行时运作流程示意

1. 用户和ai的每一条消息都会被实时同步到数据库中结构化存储
2. 当对话超出我们预设的对话压缩的阈值时，对短期记忆进行压缩，这时是对内存中的对话历史进行压缩。
3. 每过n轮自动触发长期记忆归档，将传统数据库中的最近的n轮对话进行半结构化归档存入向量数据库作为长期记忆。

对话重启后运作流程示意

当对话被关闭，内存中的上下文都会被清空，重新进行对话时，要从传统数据库中读取历史消息进行总结，加载到上下文列表中；与此同时也返回给前端，用于展示。当用户的query到达大模型以后按需求去向量数据库检索信息，将召回的内容填入上下文一个专属的长期记忆区域（RAG）

注意在上下文窗口中将长期记忆和短期记忆分开是必要的，具体原因后面的文章会细讲

三、总结

在 Agent 开发的工程实践中，三者的关系可总结为：对话历史是数据底座，短期记忆是逻辑现场，长期记忆是知识资产。

核心协作逻辑提炼：

1. 数据流向：

   • 对话历史（Source）→\rightarrow→ 实时落库，作为最原始的真值来源。
   • 短期记忆（Runtime）→\rightarrow→ 从对话历史截取/总结，维持当前任务的推理连贯性。
   • 长期记忆（Asset）→\rightarrow→ 从对话历史中异步提取（Extraction），实现跨会话的个性化对齐。

2. 核心差异表：

开发者金律：

• 不要信任单一记忆：短期记忆会因长度溢出而丢失，长期记忆会因检索精度而产生偏差，必须依赖对话历史进行动态重构。
• 显式上下文路由：在 Prompt 构建中，必须通过结构化标签明确区分[当前对话]与[召回背景]，避免模型产生角色或时序上的认知混淆。

一句话贯通：对话历史记录了“发生了什么”，长期记忆提炼了“你是谁”，短期记忆决定了“现在该做什么”。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。