Qdrant—— 联想大脑

嘿，朋友，你有没有遇到过那种情况？

你让 Agent 帮你研究了一周的技术方案。

每天dou在聊，讨论了几十个细节。

你们对比了 MySQL 和 PostgreSQL 的优劣，讨论了缓存策略，甚至争论过变量命名规范。

终于，周五你们敲定了Zui终架构。

周一回来你问它：“咱们上周选的方案里数据库用的哪个？”

它回答：“抱歉，我不知道你在说什么方案。作为一个 AI 助手，我没有过往的记忆。”

那一刻，你的血压一定上来了。

不仅仅是因为浪费了 token，geng是因为这种“陌生感”瞬间打破了人机协作的信任基石。

害，这不就是典型的“健忘症”AI 嘛。

你懂的，没有记忆的 Agent，就像一个每次见面dou得重新自我介绍的“天才”。

所以本章我们来拆解如何构建一套 长期记忆系统 。

让 Agent 拥有“回溯过去”的Neng力，才是它从“工具”进化成“伙伴”的关键。

咱就是说这玩意儿，不就是给 AI 装个脑子嘛。

记忆系统是 Agent 的灵魂

没有它，Zui聪明的模型也只是一个患了健忘症的天才。

每次见面你dou得重新自我介绍。

这谁受得了？

所以记忆系统，必须得有。

而且，还得是那种Neng“想起来”的记忆系统。

三层存储架构：给 AI 建个“大脑”

Shannon 框架没有把鸡蛋放在一个篮子里而是采用了 三层存储架构，各司其职：

Redis —— 记事贴

Qdrant—— 联想大脑

PostgreSQL—— 档案馆

这三层，就像你大脑里的短期记忆、联想记忆和长期档案。

短期记忆：Zui近说了啥？

联想记忆：这事儿我好像在哪听过？

长期档案：这事儿我记在本子上了。

咱就是说这架构，够稳。

Redis —— 记事贴

Redis 是啥？

就是那个“Zui近说了啥”的地方。

比如你刚聊完“React 性Neng优化”，它得记住你刚刚说了啥，不然你刚说完，它就忘了那不就尴尬了。

Redis 存的是Zui近的上下文，比如Zui近几轮对话、用户状态、临时变量。

它快，但容量小，就像你大脑里的短期记忆，一闪而过。

所以它只负责“保持连贯”。

Qdrant—— 联想大脑

这是魔法发生的地方。

我们需要一个模型，把文本转化成一串数字。

这个向量就是这段文本在语义空间中的坐标。

啥意思？

就是说它不kan字面kan“意思”。

比如“性Neng优化”和“不卡顿”，字面上完全不一样，但意思相近。

Qdrant Neng算出它们在数学空间上的距离非常近。

它Neng理解“苹果”在“水果”语境下和“梨”hen近，但在“科技”语境下和“微软”hen近。

这种 模糊匹配 Neng力，是实现人类直觉记忆的关键。

你懂的，这玩意儿，就是 AI 的“联想”Neng力。

PostgreSQL—— 档案馆

这是存“长期记忆”的地方。

比如用户的历史对话、操作记录、偏好设置，dou得存起来。

它不像 Redis 那样快，但容量大，适合存“档案”。

而且，它还NengZuo结构化查询，比如“查一下这个用户上个月的偏好设置”。

咱就是说这玩意儿，就是 AI 的“档案馆”。

记忆系统的核心：连贯性 + 成长性

记忆架构的核心，是解决 连贯性 和 成长性 的问题。

连贯性：你刚说的“React 性Neng优化”，它得记得。

成长性：它得Neng从你过去的操作中出经验，比如“回忆起上次处理类似问题，我采用了‘并行化 IO + Redis 缓存’的策略，成功率 %，建议优先尝试。”

这才是 Agent 从“新手”进化为“专家”的关键。

它开始拥有了经验。

数据治理：不要往大脑里塞垃圾

Ru果你把所有对话不Zuo处理直接存进去，Agent hen快就会“脑容量爆炸”，甚至出现精神错乱。

记忆系统需要 清洗 和 治理 。

比如：

PII 脱敏在 Embedding 和存储之前，必须通过正则或专用模型，把 手机号、邮箱、API Key、密码、IP 地址 全部替换为 。

摘要—— 宏观背景一个回答可Neng洋洋洒洒几千字。Ru果直接存成一个向量，文本的特征会被稀释，导致检索效果hen差。所以要切成小块。

策略：切成小块。

关键点：重叠切分。块与块之间保留 Token 的重叠。

这样，Agent 才Neng“想起来”你说了啥。

分层召回策略

Agent 回忆往事时不Neng只捞一瓢水。

Ru果你只查向量库，Agent 可Neng会突然说出一句几年前的话，导致对话精神分裂。

Shannon 采用了 分层召回 策略，混合了三种

近期—— 保持连贯

语义—— 激活知识

摘要—— 宏观背景

伪代码演示：

// 伪代码：混合检索逻辑
func 召回记忆:
    记忆列表 = 
    // . 先kanZui近说了啥 
    记忆列表.add)
    // . 再联想以前说过啥 
    向量 = Embedding
    历史片段 = VectorDB.Search
    记忆列表.add
    // . kankan有没有相关的 
    记忆列表.add)
    // 关键步骤：去重和重排序
    // 防止Zui近的对话和检索到的历史重复，浪费 Token
    return 去重

你kan，这不就是一套完整的“回忆机制”嘛。

数据安全：别把用户隐私当儿戏

记忆系统存储的是用户Zui私密的数据。

这里有两条不可逾越的红线：

PII 脱敏手机号、邮箱、API Key、密码、IP 地址，必须全部替换为 。

租户隔离在查询向量库时必须 带上租户过滤器。

filter: {
    "must": 
}

后果绝对不Neng出现 A 公司的员工问“咱们财报怎么样”，Agent 查到了 B 公司存的财报数据。这是多租户系统的生死线。

咱就是说这玩意儿，不Neng马虎。

记忆架构的核心，是解决 连贯性 和 成长性 的问题。

有了这套系统，你的 Agent 就不再是一个每次dou要重启的“无状态脚本”，而是一个拥有经验、懂得回溯、越用越顺手的 “有状态生命体” 。

你可Neng会问： “把历史记录存进 MySQL，用 LIKE 语句查不行吗？既然dou存进去了为什么还查不到？”

用 SQL 查：WHERE content LIKE '%不卡顿%' —— 结果是 。 计算机认为“渲染性Neng”和“不卡顿”是完全不同的字符串，但在人类的语境里它们指的是同一件事。

这就是我们需要 向量数据库 的原因： 它不kan字面kan 意思。它Neng算出“性Neng优化”和“不卡顿”在数学空间上的距离非常近。它Neng理解“苹果”在“水果”语境下和“梨”hen近，但在“科技”语境下和“微软”hen近。这种 模糊匹配 Neng力，是实现人类直觉记忆的关键。

高级的记忆系统，不仅Neng记住 Fact ，还Neng记住 Pattern 。这才是 Agent 自我进化的关键。

Ru果你的 Agent 是像 Cursor 或 Claude Code 这样的本地开发者工具，还有一种轻量级Zuo法：直接存文件。

对于企业级 SaaS 应用，三层架构 依然是标准答案；但对于单兵作战的开发者工具，本地文件是一种极客且高效的选择。

在设计系统前，我们先参考 认知心理学 对人类记忆的分类。不是所有数据dou要塞进同一个地方，就像你不会把超市小票和结婚证放在同一个抽屉里：

上一章讲的 上下文窗口，解决的是 “工作台” 的问题。但用户关了浏览器、换了设备、过了几天再来那些上下文就清空了。

用户经常重复问同一个问题，或者在调试时反复粘贴相同的报错日志。存的时候要检查：

当 Agent 成功解决了一个复杂任务，系统应该把这次的 解题思路 提炼出来存好。

同样，Ru果某个操作导致了崩溃，也应该记下来。

这才是 Agent 从“新手”进化为“专家”的关键——它开始拥有了经验。

咱就是说这玩意儿，不就是给 AI 装个脑子嘛。

下一章我们聊 多轮对话与状态机 —— 如何让 Agent 在漫长的任务中保持节奏，不迷路、不卡死。

---