策略概述

总结 Summary

对话较长，需要压缩保留核心信息。例：客服会话摘要、会议纪要

语义记忆 Semantic Memory

对话中出现关键事实和知识。例：用户提到的项目名称、技术栈

用户偏好 User Preference

需要记住用户的喜好和习惯。例：用户喜欢中文回复、偏好简洁

情景记忆 Episodic Memory

从完整经历中学习，不仅记录“发生了什么”，还沉淀教训与反思。例：上次解决某类问题的完整过程、当时的尝试与最终结论

程序性记忆 Procedural Memory

需要固化操作流程、行动步骤和关键提示，形成可复用的任务执行指南。例：代码仓探索流程、运维操作执行纲要

推荐组合

总结 + 用户偏好

选择理由

总结策略压缩每次对话的要点，让Agent快速回溯“之前讨论了什么”；用户偏好策略记住用户的习惯和需求（如偏好联系方式、常用产品），让客服回复更个性化。

典型对话

用户先反馈了订单问题，几天后回来追问进度——Agent靠总结记忆知道上次讨论了什么，靠偏好记忆知道用户的沟通习惯。

注意事项

客服对话量大，总结策略能控制记忆体量，避免每轮对话都产生大量碎片化记忆。

推荐组合

语义记忆 + 总结

选择理由

语义记忆提取对话中出现的事实知识（如“用户的项目用 Python 3.11”），构建持久知识库；总结策略概括每次咨询的主题，帮助Agent快速定位历史讨论。

典型对话

用户咨询技术方案，多次对话中涉及技术栈选型、架构设计——语义记忆记住每个具体事实，总结记忆记住每次讨论的主题。

注意事项

知识型对话中事实信息密度高，语义记忆是最核心的策略。总结策略作为辅助，帮助Agent快速了解上下文。

推荐组合

用户偏好 + 情景记忆

选择理由

用户偏好策略记住用户的个人喜好（如饮食偏好、日程习惯）；情景记忆策略记住完整的交互经历（如“上次帮你订机票时遇到了什么问题、如何解决的”），让助理越用越懂用户。

典型对话

用户让助理帮忙规划旅行——偏好记忆知道用户喜欢靠窗座位，情景记忆知道上次订票时遇到的问题和解决方案。

注意事项

情景记忆记录较长、Token消耗更高；成本敏感时可降级为总结策略，但会丢失完整过程回溯能力，需权衡。

推荐组合

程序性记忆 + 语义记忆

选择理由

程序性记忆固化操作流程和执行步骤，让 Agent 面对相似任务时直接加载已有经验，避免重复推理；语义记忆提取对话中出现的事实知识（如工具名称、系统配置），构建持久知识库。两者配合，Agent既知道“怎么做”又知道“用什么做”。

典型对话

Agent 首次探索代码仓后，程序性记忆固化探索流程，后续遇到相似任务直接复用；语义记忆记住项目使用的技术栈和关键配置。

注意事项

程序性记忆按用户隔离，一个用户的成功流程不会自动共享给其他用户。程序性记忆支持增量更新，新信息可更新已有流程。

推荐组合

总结 + 语义记忆 + 用户偏好 + 情景记忆（四种全部启用）

选择理由

四种策略各有侧重——总结概括对话、语义提取事实、偏好跟踪习惯、情景保留经历。全部启用可以最大限度覆盖记忆维度，适合对记忆精度要求极高的场景。

典型对话

长期个人助理、医疗问诊助手等需要同时记住“讨论了什么、知道了什么、用户喜欢什么、经历了什么”的场景。

注意事项

策略越多，长期记忆提取时调用的 LLM 次数越多（每个启用策略都会执行独立抽取），Token 消耗和费用越高。建议先用 2-3 种策略验证效果，确有需要再增加。