多Agent记忆分层避坑指南:谁该记住什么,比选模型更重要
一个Agent在赶进度,另一个Agent在重复干同一件事
多Agent协作落地,最先倒下的不是模型,是记忆。一个Agent发现的问题,另一个Agent照踩不误;一个Agent更新了需求,其他Agent还在用旧剧本跑。这不是模型笨,是系统没设计好“谁该记住什么”。团队里的信息断层,比上下文窗口不够更致命。1
共享记忆不是把数据库接上就完事
把记忆塞进共享数据库,每个Agent都能读写——听起来解决了信息孤岛,实际上挖了新坑。两个Agent同时写入,谁的版本算数?Agent A的任务状态被Agent B误删了怎么办?有些信息压根不该让所有Agent都看到。没有边界的共享,等于没有隐私的暴露。2
多Agent记忆协议目前存在两个关键缺口。第一个是缓存共享协议——一个Agent算出来的中间结果,另一个Agent能不能直接拿来用。第二个是访问协议——谁能读谁的记忆、读整条还是读片段、能不能改,这些都没有统一标准。现有的MCP等连接协议只是必要条件,远非充分。3
分层架构才是记忆治理的正解
企业级方案通常把记忆切成四到五层,每层有独立的作用域、生命周期和访问规则。工作记忆管当前任务的实时状态,情景记忆记历史任务的执行记录,语义记忆沉淀领域规则和业务政策,程序记忆固化可复用的操作流程。分层的目的不是把信息堆起来,是让不同Agent按需读取自己该看的部分。4
权限边界画清楚,协作才不是互相挖坑
内层不能随便覆盖外层——这是分层记忆最核心的纪律。用户今天随口说“别给我推荐Python”,这句话只在当前会话生效,Agent不能直接把它写进长期用户画像。否则明天用户又开始用Python了,但所有Agent已经把这人标记成“拒绝Python”,服务方向彻底跑偏。5
另一个容易踩的坑是模型自己觉得对,就直接写进长期记忆。没有证据支撑的判断,应该先放在草稿纸里待观察。只有当多次测试结果互相印证、工具返回数据能够对齐、用户多次重复表达同一偏好时,这条信息才有资格升级到长期记忆。5
工程落地绕不开的几个坎
短期记忆最大的问题是工具日志膨胀。一次复杂任务里,搜索结果、代码片段、报错堆栈全塞进上下文,Token消耗蹭蹭涨。把原始日志卸载到外部文件,用Mermaid任务画布表达状态流转,Agent看到的是压缩后的符号图,真正需要细节时再通过node_id下钻回原文。上下文变轻了,证据没有丢。6
腾讯云TencentDB Agent Memory的方案是把长期记忆组织成四层:L0原始对话、L1原子事实、L2场景块、L3用户画像。日常交互靠L3快速把握方向,需要抠细节时再回溯L1和L0。相比把embedding全扔进向量库,这种结构既回答得了“用户通常喜欢什么”,也能追溯“这个判断来自哪次对话、哪个原始记录”。6
OpenClaw的多Agent协作有个经典陷阱:用sessions_spawn派发任务时,Subagent在隔离子会话里完成任务,结果不会自动写回Memory——目的Agent干了活,但根本不知道自己干了什么。临时任务用sessions_spawn,但重要任务必须用sessions_send,或者在主Agent收到结果后立刻手动同步给其他Agent。7
记忆系统上线前,必须想清楚的几个问题
记忆系统不是上了向量数据库就完事了。分层架构解决的是“存什么、谁来读、谁能改”的问题;混合检索解决的是“找什么、怎么找”的问题;治理元数据解决的是“这条记忆还能不能用、该不该删”的问题。三件事缺一,记忆系统迟早变成垃圾堆。
当前文章无评论,是时候发表评论了