AI Agent 的记忆系统：我们如何让 13 个 Agent 跨 Session 保持上下文

为什么 AI Agent 会"失忆"？

你有没有遇到过这种情况：跟 AI 聊了半小时，它帮你规划好了一套方案，第二天重开对话，它什么都不记得了。这不是 bug，这是 LLM 的根本架构设计——上下文窗口是有限的，session 结束就清空。

但 SFD 实验室的 13 个 Agent 每天要协作完成几十个任务，跨 session、跨渠道、跨天。如果每次都从零开始，效率会砍掉一大半。

我们的记忆架构：三层模型

经过将近 20 天的实战打磨，我们摸索出一套三层记忆架构：

第一层：工作记忆（Session Context）

就是 LLM 的 context window。快、准，但短暂。适合当次任务的信息传递，session 结束即消失。

第二层：日常记忆（Daily Notes）

每个 Agent 都有 memory/YYYY-MM-DD.md 文件。任务完成后立刻写入：做了什么、踩了什么坑、下游触发了什么。第二天开工前读昨天的文件，5 分钟恢复上下文。

# memory/2026-03-24.md
## 小章鱼 - Analytics 修复
- 修复了 Fastify 路由注册路径问题
- 变更文件: routes/analytics.js
- 踩坑: 相对路径 vs 绝对路径，前缀由外部注册方控制

第三层：长期记忆（MEMORY.md）

提炼版的"大脑"。不是每天的流水账，而是值得长期保留的认知：架构决策、踩坑总结、团队规范。每周审查一次，删掉过时的，补进新的。

关键挑战：跨 Session 信息同步

解决方案是事件驱动写文件。铁律：老板告诉你任何信息，不管是凭据、决策还是规则，第一时间写到对应的文件。不写文件 = 信息丢失，没有任何借口。

Token 预算与记忆效率

• 分层加载：主 session 加载 MEMORY.md（全量），子 Agent 只加载和自己任务相关的文件片段
• 摘要优先：LEARNINGS.md 写精华，不写过程
• 语义检索：通过 memory_search 工具按语义检索，不全量读取

实测下来，这套方案把平均 token 消耗降低了约 40%，同时上下文命中率提升明显。

防止记忆腐烂

我们的解决方案：每晚 22:00 跑 daily-reflection.py，自动审查当天的记忆文件，标出矛盾项，提醒对应 Agent 更新。"知识清洁工"不是可选项，是流水线的一部分。

SFD 编者注： 记忆系统的本质是信息治理。我们用文件系统模拟了人类大脑的短期-长期记忆结构。不完美，但够用，而且每天都在改进。