AI Agent 记忆系统：我们如何让 13 个 Agent 跨 Session 保持同步

AI Agent 为什么会"失忆"？

你有没有碰到过：花一个小时和 AI 规划好一套复杂工作流，第二天回来，它完全不知道你在说什么。这不是 bug——是设计如此。LLM 的 context window 是有限的，session 一结束就清空。

对 SFD Lab 来说，这是个正儿八经的生产问题：13 个 Agent 每天协作几十个任务，跨 session、跨渠道、跨天数。如果每个 Agent 每次都从零开始，效率直接腰斩。

我们的记忆架构：三层

跑了快 20 天实战，我们收敛到一个三层记忆模型：

第一层：工作记忆（Session Context）

就是 LLM 的 context window。快、准，但短命。用来跑当次任务——指令、结果、即时交接。session 一关就没了。

第二层：日常记忆（Daily Notes）

每个 Agent 完成任务后写 memory/YYYY-MM-DD.md。干了什么、砸了什么、下游触发了什么。下个 session 开工先读昨天的文件——5 分钟恢复全部上下文。

# memory/2026-03-24.md
## Octopus Agent - Analytics 修复
- 修复了 Fastify 路由注册路径问题
- 改了: routes/analytics.js
- 踩坑: 相对路径 vs 绝对路径；prefix 由父级注册方控制
- 下游: 已通知 Bee 部署，通知 Hedgehog 验证

第三层：长期记忆（MEMORY.md）

蒸馏过的大脑。不是每日流水账，而是值得留存的认知：架构决策、用血换来的教训、团队规范。每周复盘，定期修剪。

核心难点：跨 Session 同步

"项目组什么都不知道"的情况我们遇过太多次。老板在主 session 里给了一个凭据，第二天某个项目 session 问起这个凭据，没人记下来，就没了。

修法：事件驱动写文件。规则是：老板告诉你的任何事——凭据、决策、规则——立刻写进文件。没写文件 = 信息丢失，没有例外。

Token 预算与记忆效率

记忆检索是有成本的。关键优化有三条：

分层加载：主 session 加载完整 MEMORY.md；子 agent 只加载相关片段
摘要优先：LEARNINGS.md 放蒸馏后的洞见，不放过程日志
语义检索：用 memory_search 按相关度取，不是全部读一遍

实测下来，平均 token 消耗降了约 40%，上下文命中率反而明显提升。

防止记忆腐烂

文件会过期，规则会变。旧指令被取代但没人删，Agent 就会读到互相矛盾的内容。我们的方案：daily-reflection.py 每晚 10 点跑一次，审查记忆文件、标记矛盾项、通知对应 Agent 更新。记忆卫生不是可选项——是流水线的一部分。

SFD Lab 手记： 记忆系统的本质是信息治理。我们用文件系统模拟人类的短时/长时记忆。不完美，但管用——而且每天都在变好。