AgentArts Memory 企业级分层记忆：让 Agent 记得住、找得准

▍Agent 为什么会 “失忆”：上下文窗口装不下长期交互

聊一个常见的问题：AI Agent 什么都好，就是 “记不住”。

你用过某个 AI 助手处理工作吗？聊了半小时，把项目背景、技术选型、deadline 全交代了。Agent 表现得相当靠谱，帮你梳理了方案、检查了代码。

然后你关掉窗口，去开了个会。回来重新打开对话——

Agent 把你忘了。

你得从头再说一遍：“我们项目用的是 Java，微服务架构，deadline 是月底……”

这种体验，用一个词形容：割裂。

别让 Agent 每次都“重新认识你”——这正是 Memory 要解决的问题。

问题出在哪？大模型的上下文窗口从 4K 涨到 128K、甚至 1M，但问题没变——窗口再大，也装不下跨会话的长期交互。关掉对话，上下文就清空了；Agent 要真正“懂用户”，必须有独立的记忆系统。

华为云 AgentArts Memory 正是为解决这个问题而生的。

AgentArts Memory 在 2026 年 4 月开启公测，此后持续支撑着智能座舱、办公IM等场景的智能化体验，经历了真实业务的打磨。

作为 AgentArts 智能体平台的核心能力之一，Memory 服务提供了一套开箱即用的 Agent 记忆解决方案——短期+长期分层记忆架构、内置语义/偏好/摘要/情景等多类记忆策略、按空间/会话/用户的多层隔离、平台级万级并发支撑、云上全托管、免运维。你不需要自己部署向量数据库，不需要写检索逻辑，不需要处理并发、重试和索引维护。同时当前AgentArts Memory的实际效果已经在权威测评集达到业内领先水平，可以为用户带来更好的体验。

▲ 图1. AgentArts Memory 在LoCoMo的测评集的表现

▍一、两层记忆架构：会话消息 + 向量沉淀，异步提取衔接

先说一个直觉类比。

你的电脑有内存和硬盘：内存速度快、容量小、关机就丢；硬盘速度慢、容量大、持久存储。两者配合，你才能既快速操作，又不丢数据。

AgentArts Memory 的分层思路与它异曲同工——短期记忆是“内存”，长期记忆是“硬盘”：

整体流程分三步：

• 用户与 Agent 的对话消息写入短期记忆层（按空间/会话/用户标识归属）；
• 当满足触发条件时（空闲时间到达、累计 Token 超阈值、累计消息数达上限），系统异步提取关键信息，经策略化处理后写入长期记忆层；
• 应用在调用 LLM 前，可根据当前查询从长期记忆检索相关信息，注入到 LLM 上下文。

讲到这里，你可能会问：短期记忆层和 LLM 自己的上下文窗口，是一回事吗？

还真不是。短期记忆层保存的是会话消息本身（带可配置的保留周期）；“LLM 每一轮实际看到多少历史”，由应用侧的上下文组装策略决定——放多少条近期消息、是否注入摘要、是否检索长期记忆，都是应用编排的职责。两者是配合关系：AgentArts Memory 把“存”的环节标准化、托管化，把“怎么组上下文”的选择权留给应用。

顺着这个思路还有一问：既然 LLM 的窗口一直在变大，为什么不直接让它记住全部历史？ 这笔账要算两笔。一笔是成本：每多一轮历史，推理时消耗的 Token 就多一截，账单一截截变厚；另一笔是效果：上下文越长，模型的注意力越容易被稀释，关键信息“淹没”在大量历史里，反而更可能被忽略——业界常说的“迷失在中间”（Lost in the Middle）就是这个问题。真正有价值的，往往只是对话里的一小部分。

分层记忆的实质，就是只把有价值的信息送进 LLM 的视野——既省成本，也保住效果。理解了这一点，也就理解了为什么这种分层更适合交给一个独立的托管服务来做：

为什么选择 AgentArts Memory而不是自建？

自己搞一套向量数据库 + 检索引擎 + 记忆管理逻辑，光是部署和调优就要耗掉一个小团队的人力。而 AgentArts Memory 提供：

• 开箱即用的记忆管理：六类策略内置，配置即用，不用从零写提取逻辑

• 全托管运维：弹性伸缩、自动索引、记忆生命周期管理自动化

• 数据安全：加密存储（KMS，AES-256 可选），多层隔离，支持公网/私网访问

• 低延迟检索：为对话体验优化的检索链路

把记忆的复杂度交给平台，把精力留给业务逻辑。

▍二、短期记忆：消息即存即取，保留期 1 小时~365 天可配

短期记忆的核心职责是承载当前会话的消息流，并在此基础上支持两类衔接：一方面作为长期记忆提取的“原料”，另一方面提供近期消息的快速访问。

保留期：可配置

短期记忆的保留支持设置为1 小时~365 天（示例创建接口 message_ttl_hours 默认 168 小时即 7 天），按业务需要决定消息存多久。

保留期再长也有尽头。当消息过期后，旧消息会被清理——而值得长期保留的信息，已经由提取流程"抢救"进了长期记忆层。

触发条件：什么时候“存盘”？

触发条件可以理解为“自动保存”——不需要手动操作，系统会在合适时机把短期记忆中的关键信息提取到长期记忆。

AgentArts Memory 提供三种触发条件，可组合使用：

提取设计细节

提取过程是异步的，不阻塞对话写入路径。配合触发条件，记忆在“后台”完成沉淀，用户对提取本身的延迟无感知（但请注意：异步意味着从消息写入到可检索存在生成延迟，生产上应以轮询/重试而非固定等待来使用）。

在工程实现上，这还意味着平台需要处理并发写入、数据一致性和失败重试——这些复杂度都被 AgentArts Memory 封装在底层了，你只需要配置触发条件。

▍三、长期记忆：向量化存储 + 多路混合检索

长期记忆层是整个系统的“记忆仓库”。提取出的记忆会经过向量化处理，存储在向量数据库中，供后续检索使用。

存储：每条记忆的三步处理

• 向量化：通过 Embedding 模型将文本转换为向量，支持语义检索。即使问法与存储时的措辞不同，也能匹配——“用户喜欢喝美式”和“用户的咖啡偏好是什么”能对上。
• 结构化标注：记忆关联类型（语义/偏好/摘要/情景/事件等）、来源会话、时间戳、用户标识等元数据，供检索时多维过滤。
• 索引化：建立向量索引和元数据索引，支持多维过滤检索。

检索：不是简单搜索，而是“混合策略”

这是最关键的部分。如果只做向量相似度搜索，会出现一个问题：语义相近但已经过时的记忆会干扰结果。

比如用户三个月前说“我用 Java”，上个月改口“最近在转 Go 了”。如果只看语义相似度，两条记忆都可能被检索出来，Agent 不知道该信哪个。

AgentArts Memory 的检索方案是混合检索策略，三管齐下：

• 语义检索：基于向量相似度，找到语义相关的记忆——解决“找得准”的问题
• 元数据过滤：按用户 ID、会话 ID、记忆类型等维度过滤——解决“不串号”的问题
• 时间衰减：近期记忆权重更高，避免过时信息干扰——解决“信哪个”的问题

这套组合拳的效果是：记忆召回准确率达到业内领先水平。

▍四、多维度隔离：空间 / 用户/ 会话 / 三层，防“记忆串号”

如果你做的是个人用户本地产品，这个问题可能不存在。但如果你做的 Agent 同时服务大量用户——比如智能客服——记忆隔离就是红线。

想象一个场景：用户 A 问“我的订单到哪了”，Agent 却“记起”了用户 B 的订单信息。这不是 bug，这是事故。

AgentArts Memory 提供三个维度的隔离/过滤机制，层层递进：

▍五、云上全托管：弹性伸缩、自动索引、加密存储

对于开发团队来说，“记忆系统好是好，但运维成本太高”是常见的顾虑。

AgentArts Memory 的答案是：全托管，免运维。

• 弹性伸缩：平台级能力支撑万级并发会话，无需人工预规划容量；存储容量按需使用，无需提前预置。
• 自动管理：向量索引维护、存储扩容、记忆生命周期全流程自动化管理。
• 安全合规：数据加密存储，支持 KMS 自定义密钥与 AES‑256 加密算法；兼容公网、私网多种访问模式。
• 认证鉴权：管理类操作采用 AK/SK 鉴权，业务数据类操作通过 Space 维度 API Key 完成权限校验

▍小结

回到开头那个场景——Agent“失忆”的问题，AgentArts Memory 的解法不是让大模型“记住更多”，而是给 Agent 配一个独立的、全托管的记忆系统。

短期记忆保证消息可达，长期记忆保证信息可回溯，多维度隔离保证不串号，全托管保证易用。四者结合，构成了 Agent 记忆服务的完整拼图。

这是一套已经在智能座舱、办公IM等场景真实场景中运行的生产服务。

如果你正在设计一个 Agent 产品，记住一句话：给 Agent 配一个独立的记忆系统，是它从"能用"走向"好用"的关键一步。

现在就试试

AgentArts Memory 已在华为云上线，开通即用。

• 登录华为云控制台 → 搜索“AgentArts” → 组件库 → 记忆库→ 创建记忆库
• 3 步完成接入，10 分钟拥有 Agent 记忆能力
• 详细操作可参考华为云官方文档中的记忆库接入指南

相关链接

• 华为云控制台：https://console.huaweicloud.cn/agentarts/
• AgentArts Memory产品文档：https://support.huaweicloud.cn/highcode-agentarts/agentarts_10_015.html
• Memory SDK 仓库：https://github.com/huaweicloud/agentarts-sdk-pytho

关注魔方公众号，获取更多前沿资讯