1. Python构建AI原生Agent的记忆系统架构
在构建AI原生Agent时,记忆系统是最核心的组件之一。它决定了Agent能否有效积累经验、理解上下文并做出合理决策。我们的记忆系统采用四层架构设计,模拟人类记忆的不同层次:
1.1 四层记忆架构设计
python复制HelloAgents记忆系统
├── 基础设施层 (Infrastructure Layer)
│ ├── MemoryManager - 记忆管理器(统一调度和协调)
│ ├── MemoryItem - 记忆数据结构(标准化记忆项)
│ ├── MemoryConfig - 配置管理(系统参数设置)
│ └── BaseMemory - 记忆基类(通用接口定义)
├── 记忆类型层 (Memory Types Layer)
│ ├── WorkingMemory - 工作记忆(临时信息,TTL管理)
│ ├── EpisodicMemory - 情景记忆(具体事件,时间序列)
│ ├── SemanticMemory - 语义记忆(抽象知识,图谱关系)
│ └── PerceptualMemory - 感知记忆(多模态数据)
├── 存储后端层 (Storage Backend Layer)
│ ├── QdrantVectorStore - 向量存储(高性能语义检索)
│ ├── Neo4jGraphStore - 图存储(知识图谱管理)
│ └── SQLiteDocumentStore - 文档存储(结构化持久化)
└── 嵌入服务层 (Embedding Service Layer)
├── DashScopeEmbedding - 通义千问嵌入(云端API)
├── LocalTransformerEmbedding - 本地嵌入(离线部署)
└── TFIDFEmbedding - TFIDF嵌入(轻量级兜底)
这种分层设计的关键优势在于:
- 模块化:各层职责明确,可独立扩展
- 灵活性:可根据需求组合不同记忆类型
- 性能优化:不同类型记忆采用最适合的存储方案
1.2 记忆类型实现细节
1.2.1 工作记忆实现
工作记忆相当于Agent的"短期记忆",主要用于存储当前对话的上下文信息。我们采用纯内存存储方案,配合TTL机制进行自动清理:
python复制class WorkingMemory:
def __init__(self, config: MemoryConfig):
self.max_capacity = config.working_memory_capacity or 50
self.max_age_minutes = config.working_memory_ttl or 60
self.memories = []
def retrieve(self, query: str, limit: int = 5) -> List[MemoryItem]:
"""混合检索:TF-IDF向量化 + 关键词匹配"""
self._expire_old_memories()
# 计算综合分数
scored_memories = []
for memory in self.memories:
vector_score = vector_scores.get(memor
