Agent的跨会话记忆有什么用？和skill有什么不同？一般是如何实现的？结合最近的开源项目说一下

回复 群友 2434 1、跨会话记忆（Long-term Memory）有什么用 每次新开窗口，模型的上下文都是空的。跨会话记忆的核心作用是消除“失忆成本”，把散落在历史对话里的关键信息持久化： 一是用户与环境画像，比如你的技术栈偏好、代码规范、过敏原，不用每次重说。 二是历史经验与纠错（Episodic Memory），比如上次修某个 bug 踩过的坑、管理员给 pa 纠正过的规则，下次遇到同类场景直接避坑。 三是跨周期任务状态，像长线项目推进到哪一步、待办卡在哪，新会话能直接续上。 2、和 Skill 有什么本质不同 用认知心理学类比最清楚：记忆是陈述性知识（What / Who，知道什么事实和经历），Skill 是程序性知识（How，知道怎么干活的 SOP 和工具包）。 两者的核心差异在四个维度： 第一，内容形态不同：记忆存的是针对特定用户或项目的状态、事实碎片和历史轨迹（如“这个 repo 用 pnpm 且禁掉 eslint 某规则”）；Skill 存的是可复用的工作流指令、脚本和模板（如“怎么按规范跑单测和提 PR”）。 第二，生成与演进方式不同：记忆是在日常对话中动态提取、合并、衰减的，千人千面；Skill 通常是人为编写或刻意沉淀的标准化能力包，可以跨用户分发共享。 第三，触发机制不同：记忆靠语义检索、图检索或开机默认加载注入上下文；Skill 靠意图路由按需挂载。 第四，维护与生命周期不同：记忆的核心难点是“防脏数据”，要解决什么该记（比如“今天想吃辣”是临时起意，“对花生过敏”才是长期事实）、新旧状态冲突怎么覆盖、过时信息怎么遗忘；而 Skill 的生命周期重在“防膨胀”，Skill 不是越多越好，装多了会导致路由冲突和上下文污染，必须定期评估重复与维护成本，随基座模型能力升级不断复测，把模型原生已经能做好的 Skill 淘汰掉。 3、一般怎么实现（结合近期主流开源项目） 目前开源界做跨会话记忆主要分化出三条技术路线，各有取舍： 路线一：本地 Markdown 文件流（代表项目：OpenCode、Claude Code、Hermes、Aider） 直接在本地维护 MEMORY.md、CLAUDE.md 或 user.md，给 ca 或 pa 配好读写文件工具，开机自动读核心配置，对话中显式改写文件。 洞察：看着最土，但在 ca 场景里最好用。因为纯文本完全透明、人类可读可手改，还能直接跟 Git 走版本控制，不会出现向量库搜出一堆莫名其妙黑盒碎片的幻觉问题。缺点是文件大了以后检索粒度粗，不适合多租户长周期的海量对话。 路线二：LLM 提取管线 + 向量/图混合存储（代表项目：Mem0、Zep / Graphiti） 每次对话结束，后台跑一个轻量提取模型，把对话拆成原子事实，再去跟库里的旧记忆比对，执行 ADD（新增）、UPDATE（冲突覆盖）或 DELETE（淘汰）。 其中 Mem0 主打轻量混合存储（Vector + KV + Graph），接入成本低；Zep 开源的 Graphiti 引擎则专门做“时序知识图谱（Temporal Knowledge Graph）”，给每条关系边打上生效和失效时间戳。 洞察：这类方案重点解决“状态随时间变化”的问题（比如用户从 A 公司跳槽到 B 公司，普通 RAG 会把两家公司同时召回导致错乱，带时序的图谱能只保留最新状态并保留历史脉络）。代价是每次写入都要调大模型做提取和冲突消解，Token 成本和延迟都不低。 路线三：操作系统式虚拟内存自管理（代表项目：Letta，原名 MemGPT） 把上下文当成有限的计算机内存（RAM），外部数据库当磁盘。它不靠外置流水线被动提取，而是直接给 Agent 一组内存操作工具（如 core_memory_replace、archival_memory_search），让模型自己在推理过程中决定把哪段重要信息写进常驻内存块、把哪段旧上下文换出到磁盘。 洞察：上限高、自主性强，适合常驻后台的 pa，但对基座模型的工具调用稳定性和指令遵循能力要求极高，小模型很容易忘了存或者把内存块改乱。