Agent Memory 指的是智能体在一次对话之外，如何保留、调用和更新与任务相关的信息。它可以是用户偏好、历史步骤、工具结果、环境状态，也可以是更长期的经验总结。这个词最近越来越常见，不是因为大家突然爱聊记忆，而是因为很多 Agent 看起来会做很多事，一进真实流程却暴露出同一个问题：上一轮刚说过的约束，下一轮就忘了。
纯聊天模型的记忆通常很脆弱，本质上依赖当前上下文窗口。窗口里有，它就“记得”；窗口一丢，或者信息埋太深，它就像没见过。可 Agent 要做的事情往往比聊天复杂得多，任务跨多轮、跨工具、跨会话，甚至隔天还要接着做。没有独立记忆层，系统就很难稳定地维持连续性。
很多团队会把 Agent Memory 分成几类。最常见的是工作记忆，也就是当前任务里的即时状态，比如已经调过哪些工具、得到过什么结果、下一步准备做什么。再往上一层是会话记忆，用来记住用户在这段任务里给过的偏好、限制和上下文。更长期的则是持久记忆，可能保存用户画像、历史项目、反复出现的决策模式。
它为什么难？因为“记住”从来不是越多越好。你全存下来，检索和污染会变严重；存太少，连续性又断掉。更麻烦的是，记忆还得判断哪些值得保留、保留多久、什么时候该忘、什么时候该更新。如果没有良好的写入和检索机制，记忆层很容易从增强项变成噪音源。
Agent Memory 也不等于把聊天记录全打包丢给模型。真正有用的记忆，往往需要提炼和结构化。比如把“用户更偏好简短答案”记成可复用偏好，把“这次报销流程卡在审批二”记成任务状态，而不是把二十轮对话原样贴回去。前者能让系统越来越会做事，后者通常只会让上下文越来越乱。
为什么现在大家这么重视它？因为 Agent 正从 demo 走向持续使用。用户不会只测试一次，而是希望助手越用越懂我、越做越连续。没有记忆层，Agent 每次都像刚上岗的新实习生；有了好的记忆层，它才有机会表现出“这个系统真的在积累经验”的感觉。
所以很多智能体的短板不在能力上限，而在连续性下限。它不是不会做，而是无法稳定接住上一次已经知道的事。Agent Memory 之所以成为热词，正说明大家开始意识到：真正可用的智能体，不能只会当前这一轮。
