Agent 的记忆怎么做：上下文管理实测

用 Agent 做长任务最头疼的不是能力，是记性。一个持续几天的任务，聊到第三天它就忘了第一天说过什么；上下文塞太满，它又开始顾此失彼。这两周我专门折腾了 Agent 的记忆方案，把试过的几招和实际效果记下来。

问题长什么样

最先是写周报的智能体翻的车。第三周它把前一周写过的"风险：供应商交付延迟"又原样写了一遍，还写得像新发现。原因很简单：每周的任务都是新会话，上周的上下文它根本看不见。它不是忘了，是从没记住过。

我试过的三个方案

方案一：全部塞上下文。 把历史记录全量带进去。小任务没问题，历史一长，两个恶果：费用线性暴涨，而且模型开始"糊涂"，关键信息被淹没在旧对话里，答非所问的次数明显变多。上下文窗口不是越大越好用，就像屋子不是越大越整洁。

方案二：摘要压缩。 每轮任务结束后让模型自己把本次要点压成三五句，存进一个固定文件，下次任务先读这份"工作笔记"。这是性价比最高的一招，周报智能体加上这步之后，再没重复报过同一条风险，因为它每次开场先读笔记。代价是压缩必然丢细节，有一次笔记里记了"报价方案待定"，两个月后它理解成了报价系统待开发，闹了误会。我的对策是笔记里关键名词必须带原始链接或文件路径，细节随取随查。

方案三：外置记忆库。 把笔记进一步结构化，按主题存进 SQLite，用时按关键词检索。做了个客户跟进的智能体用的这招，效果确实最好，但维护成本也上来了——什么该记、记多久、怎么淘汰，全要自己定规则。折腾完我的结论是：个人用，方案二够了，方案三是给多人共用、长期沉淀的场景准备的。

几条实操经验

记忆要分两层写：事实层（客户叫什么、项目节点是什么）长期保留，状态层（本周推进了什么、卡在哪）每次覆盖。混在一起存，很快就成一锅粥。

还有一个反直觉的点：定期让模型自己整理记忆效果不错。每月让它把笔记去重、合并、标记过时条目，它干这个比新起一个会话干得像样，因为它是带着全量上下文在整理。

记忆这个事，说到底是在替模型补一个它没有的东西——"我上次跟你说过"。补上这一块，智能体才从一次性的问答机，变成一个可以长期共事的同事。