我们在谈论 AI 智能体的「记忆」时，这个词往往比实际含义更宽泛。大多数「记忆库」构建的，实际上只是用户的自传式信息——他们住在哪里、在做什么决定——而非完整的认知记忆系统。这个概念的收窄，恰好揭示了工程上的核心挑战。
智能体记忆库由三个基本部件构成，理解任何库的文档都可以从这三处入手。
提取器
提取器负责读取对话记录，决定保留什么。通常是一次 LLM 调用，通过提示词或输出 schema 产生提取后的陈述——关于用户、世界或任务的简短抽象事实。
它做出的最关键选择是时机。每一轮消息后都提取，会为无关闲聊付出无用 token；等到会话结束时才提取，解决指代问题所需的上下文已经消失。两种方式各有代价。真正值得问的问题是：这个库丢弃了什么？共指线索（「他」指的是谁）、时间锚点（「昨天」「下周」）、局部消歧上下文，都是常见牺牲品。
在认知层面，提取是一种压缩：从情境化的事件变成去情境化的事实。「用户在周二的咖啡桌上提到更喜欢 TypeScript」被压缩成「用户更喜欢 TypeScript」。压缩的激进程度，是每个库的核心设计决策。
存储
存储层也就是数据库，可能是向量索引（按语义相似度检索）、关系表（按列过滤）或知识图谱（用带类型的边连接）。每条陈述都附带元数据：时间戳、有时是置信度评分、有时指向原始对话的回溯指针。
存储要回答的最难问题不是「放哪里」，而是「新旧矛盾时怎么办」。「用户住在巴黎到四月为止，之后搬到了阿姆斯特丹」——现在两条陈述都显示为当前状态。是覆盖（旧信息作废，不留历史）、追加（都保留，让检索层自己判断）、还是标记旧信息为已过时？无法回答「我上个月相信什么」的存储，算不上记忆系统，只是带时间戳的快照。
检索器
检索器在查询时刻将当前问题转化为搜索，返回最可能相关的陈述。向量相似度是基准做法，在此基础上加关键词搜索，再加重新排序是常见第三层。从结构上说，这就是 RAG——语料库换成用户累积的陈述。有些库还加入时间过滤器（排除已过时的陈述）和预设检查（检测问题本身是否基于过时事实）。
记忆的种类
认知科学经典分类有四种：情景、语义、程序和working memory。工作记忆在智能体中就是上下文窗口，本文暂不讨论。
情景记忆对应特定时间地点的事件——「上周二和 Aleksandra 在 Mostowa 街角的咖啡馆见过」。这种记忆是有日期的、情境化的、个人亲历的，回想它就像重演场景。
语义记忆是世界性的事实，不关联任何具体事件——「柏林是德国首都」「水的沸点是 100°C」。你知道这些，但通常说不清何时学会。
人们日常说的「智能体记忆」大多属于这类。用户更喜欢 TypeScript 最初是一次情景观察——他们在周二说过——但存入存储层时，情境已剥离，只剩下一条关于用户的、直到被推翻前都为真的事实。
程序记忆是会做某事的能力——绑鞋带、骑自行车、键盘快捷键的肌肉记忆。你通常没法准确说出来，但它可靠地支配行为。这是检验库承诺与实现差距的最清晰试金石。
编注：信源为技术博客，聚焦架构设计与认知科学概念对照。材料未涉及具体产品实现细节或行业应用案例。