面试官：agent的三层记忆系统是啥
2026年随着openclaw的爆火，记忆系统也被更多人了解。agent的记忆系统在实际工作中也发挥了很重要的作用，下面举例子说明。
你有没有遇到过这种情况——
你：“帮我查一下上周三那个客户的订单。”
Agent：“好的，请问客户名字是？”
你：“就是上次买了蓝色那款的那个。”
Agent：“抱歉，我没有之前的对话记录，请问客户名字是？”
用户原地爆炸。
一个记不住事的 Agent，跟一个每次见面都要重新自我介绍的同事一样离谱。
今天用点外卖的例子，把 Agent 记忆系统一次讲清楚 。
先记住一句话
Agent 的记忆不是 0 和 1，是三层递进：
短期记忆 = 你正在聊的这一轮，Agent 脑子里的"缓存"
长期记忆 = 跨会话的，Agent 的"笔记本"
工作记忆 = Agent 执行任务过程中的"草稿纸"
第一层：短期记忆（上下文窗口）
是什么： 当前这次对话的所有内容，都在模型的上下文窗口里。
相当于你和服务员点菜，他一边听一边记在脑子里。但这脑子有个上限。
2024 年的问题： GPT-4 上下文只有 128K，长对话塞满后 Agent 就开始"忘事"——越早说的越容易忘（Lost in the Middle 效应）。
2026 年的现状：
Qwen 支持 1M，Gemini 2M。容量不是瓶颈了，但新问题来了——
你塞了 10 万字进去，Agent 分不清哪句是重点。
举例：
❌ 错误做法：把 50 轮历史对话全塞进去
Agent：你第 3 轮说喜欢辣的，第 17 轮说预算 200，第 38 轮说…我到底听哪个？
✅ 正确做法：滑动窗口 + 摘要压缩
每 10 轮对话自动生成一句摘要，旧对话只保留摘要不保留原文。Agent 始终看的是"摘要 + 最近 10 轮全文"。
一句话： 上下文窗口再大，也要做信息管理。不是越大越好，是越精越好。
第二层：长期记忆（外部存储 + RAG）
是什么： 这次对话结束后，Agent 把重要信息存下来，下次对话还能想起来。
举例——外卖场景：
你第一次用外卖 Agent：
“我叫小明，地址是朝阳区望京SOHO，手机 138xxxx，爱吃辣，不吃香菜。”
如果 Agent 没有长期记忆：
第二次打开：“请问您的地址是？” 🤬
如果有长期记忆：
第二次打开：“小明你好，还是送到望京SOHO吗？上次那家川菜馆出新菜了，要试试吗？”
技术上怎么实现？ 三条路：
一个真实的坑：
你：“我搬家了，新地址是海淀。”
Agent 更新了地址 = 海淀。
一周后你：“上次那个地址不用了。”
Agent：？？？（哪个地址？全部删掉？）
✅ 正确做法：不删旧数据，加时间戳和状态标记。
地址 = 海淀（更新时间：5月20日，状态：active）
地址 = 望京（更新时间：3月1日，状态：archived）
用户说"上次的地址"时，Agent 取最新 active 的那条。用户说"3月份那个地址"时，Agent 能查回 archived。
一句话： 长期记忆的难点不是"存"，是更新策略和冲突处理。
第三层：工作记忆（执行过程中的临时状态）
是什么： Agent 在执行一个多步骤任务时，中间每一步的中间结果。
这个概念最容易忽略，但 2026 年面试最爱考。
举例——筹备产品发布会：
Agent 接到任务：“帮我筹备下周三的产品发布会”。
它要做这些事：
写新闻稿 ✅（完成了，稿件内容存起来）
预订场地（正在跟场地 Agent 协商，还在等待确认）
群发邀请（还没开始，等场地定了才能发）
汇总汇报（等上面全部完成）
每一件事的状态，就是工作记忆。
怎么存这些状态？三种方案：
2026 年的最佳实践： 外部状态表 + 框架 checkpoint 双写。
框架内置的 checkpoint 用来快速恢复执行，外部状态表用来给你看——Agent 在干什么、卡在哪一步、哪个任务超时了。
一句话： 工作记忆决定了 Agent 能不能"断点续跑"。你关了 Agent 再打开，它能接着干，不是从头来。
三层记忆串起来的完整流程
还是点外卖的例子，看三层怎么配合 👇
你：“帮我点个外卖，跟上礼拜六一样就行”
↓ 短期记忆：Agent 看到这句话，理解"上礼拜六"需要查
↓ 长期记忆：从用户画像库里查出
→ 上周六订单：川味人家·宫保鸡丁套餐·望京SOHO
↓ 短期记忆：Agent 确认"宫保鸡丁套餐，送到望京SOHO，对吗？"
你：“对”
↓ 工作记忆：Agent 开始执行
→ step1: 打开外卖平台 ✅
→ step2: 搜索"川味人家" ✅
→ step3: 选宫保鸡丁套餐 ✅
→ step4: 确认地址望京SOHO ⏳
→ step5: 下单支付 ⬜
↓ 如果用户在 step4 改了主意：
你：“等等，加一杯酸梅汤”
↓ 工作记忆发挥作用：
Agent 不需要从头来，直接在 step4 插入"搜索酸梅汤"
→ step4.5: 加酸梅汤 ✅
→ step5: 下单支付 ✅
↓ 完成后更新长期记忆：
→ 新增记录：5月24日·川味人家·宫保鸡丁+酸梅汤·望京
最后通过三道题来检验下你是否真的理解。
- “Agent 的长期记忆怎么设计？”
答题要点：结构化存储（用户画像 key-value）+ 非结构化存储（对话记录 RAG）+ 更新策略（时间戳+状态标记，不物理删除）。
- “上下文窗口再大也有上限，你的 Agent 怎么处理超长任务？”
答题要点：滑动窗口 + 摘要压缩 + 关键信息"钉"在 prompt 最前面（放在上下文最不容易遗忘的位置）。
- “Agent 执行到中间用户打断了，怎么接着跑？”
答题要点：外部状态表记录每一步的执行状态和中间结果，支持断点续跑，而不是每次从头开始。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～