智能体的记忆系统

messages = [
    {"role": "system", "content": "你是一个编程助手"},
    {"role": "user", "content": "帮我写一个排序函数"},
    {"role": "assistant", "content": "好的，用什么语言？"},
    {"role": "user", "content": "Python"},
    {"role": "assistant", "content": "def bubble_sort(arr): ..."},
    {"role": "user", "content": "能改成快速排序吗？"},
    # 所有历史消息构成了短期记忆
]

对重要消息（如用户偏好、关键决策）做标记，不被裁剪：
  [系统消息(保留)] + [关键决策(保留)] + [最近 N 条消息]

# 用户画像记忆
user_profile = {
    "name": "张三",
    "role": "数据分析师",
    "preferences": {
        "language": "Python",
        "database": "PostgreSQL",
        "chart_style": "简洁风格"
    },
    "past_projects": ["销售分析", "用户行为分析"],
    "communication_style": "喜欢直接给结果，不要太多解释"
}

# 项目上下文记忆
project_context = {
    "project_name": "Q4 销售报告",
    "data_sources": ["MySQL 数据库", "Excel 报表"],
    "status": "数据清洗阶段",
    "known_issues": ["12月数据缺失", "汇率需要统一"]
}

# 策略 1: 每次对话后自动提取并存储
def after_conversation(messages, memory_store):
    # 用 LLM 提取值得记住的信息
    summary = llm.generate(
        "从以下对话中提取值得长期记住的关键信息："
        + str(messages)
    )
    if summary:
        memory_store.add(summary, metadata={"time": now(), "type": "episodic"})

# 策略 2: 用户显式要求记住
# 用户说："记住，我的服务器 IP 是 192.168.1.100"
# Agent 直接存储

# 策略 3: 重要事件触发
# Agent 完成一个复杂任务后，存储解决方案

# 检索相关记忆并注入上下文
def get_context_with_memories(query, memory_store):
    # 1. 语义检索：找与当前问题相关的记忆
    relevant_memories = memory_store.search(query, top_k=5)
    
    # 2. 时间检索：找最近的记忆
    recent_memories = memory_store.get_recent(limit=3)
    
    # 3. 组合到系统提示中
    system_prompt = f"""
    你是一个有帮助的助手。
    
    以下是你对用户的记忆：
    {format_memories(relevant_memories)}
    
    最近的交互记录：
    {format_memories(recent_memories)}
    """
    return system_prompt

记忆管理的核心问题：记什么、忘什么、何时检索

应该记住的：
- 用户偏好和习惯
- 重要决策和结论
- 项目关键信息
- 反复提到的概念

应该遗忘的：
- 临时性的调试信息
- 被纠正的错误信息
- 过于细节的过程信息
- 用户明确要求忘记的

ChatGPT Memory（2024 年上线）：
- 自动从对话中提取关键信息
- 用户可以在设置中查看和删除记忆
- 记忆跨会话保持

示例记忆：
- "用户在一家 SaaS 公司做产品经理"
- "用户喜欢简洁的回答，不需要太多解释"
- "用户的项目使用 React + TypeScript"