Agent记忆系统的设计实践:一张表、一个索引、三套淘汰策略
Agent记忆系统可以用一张PGSQL表加一条HNSW索引落地,工作、情节、语义三类记忆靠memory_type字段区分,共用同一套embedding空间。写入需经sha256去重、重要度打分和TTL三步,默认7天过期、重要度高于0.7延至30天、语义记忆90天;召回走时间序加向量检索双通道,按token预算截断,系统提示需先占预算。
在模型推理能力逐渐趋同的背景下,Agent产品的竞争焦点正转向记忆系统,其落地已有可复制的工程范式。
- 影响记忆系统缺失会推高token成本,文中案例一个简单问题也消耗几十万token;跨会话记忆能力决定产品体验的分界;向量索引维护不当会带来难以定位的查询延迟衰退。
- 参考可考虑用文中psycopg2加pgvector的最小实现先跑通写入和召回,再按业务调整打分规则与TTL;值得先统计自家Agent单次会话的token消耗;并把embedding换模型加列双写、user_id隔离纳入上线检查清单。