Agent 怎么记住事情？吴恩达这门课讲透了

极客工具极客工具 XTool 2026年6月26日 09:09

你有没有想过一个问题：ChatGPT 聊到第 20 轮的时候，它还记得第 1 轮你说了什么吗？

答案是：大部分情况下不记得。context window 满了就是满了，旧对话被挤出去就消失了。

Agent 也一样。一个能调工具、能推理、能多步执行的 Agent，如果每次都从零开始，那它永远只是个 高级函数 ，不是真正的助手。

DeepLearning.AI × Oracle 在 2026 年 3 月上线了一门免费课程 Agent Memory: Building Memory-Aware Agents ，1 小时 57 分钟，7 个视频 + 4 段代码。讲师是 Richmond Alake 和 Nacho Martínez。

这门课把 Agent Memory 这件事讲得比较透。以下是课程笔记。

1. Agent 的核心循环

课程开篇就给了定义：Agent 不是一个简单的 LLM 调用，而是一个具备 感知 → 推理 → 行动 循环的系统。

行动层对接的工具包括 Functions、REST APIs、Scripts、Skills、MCP。

✏️ Note

Agent 的核心循环是 感知 → 推理 → 行动 → 再感知 。记忆就是这个循环里的 粘合剂 。没有记忆，每一轮都从零开始。

2. Memory Lifecycle：记忆不只是存取

一说到 记忆 ，直觉就是 存进去，取出来 。但课程提出了一个完整的生命周期：

阶段	做什么
`Aggregation & Ingestion`	从多个数据源采集原始数据
`Representation & Metadata Enrichment`	创建向量嵌入，附加时间戳、意图、语义信息等元数据
`Storage`	分层存储（短期/中期/长期）
`Organization`	对记忆建模、索引、建立关联

三层存储设计

• 短期记忆 ：当前对话的即时上下文
• 中期记忆 ：用户行为模式、偏好
• 长期记忆 ：持久性知识、用户画像

💡 Tip

这和人类的记忆分类很像：工作记忆（此时此刻在想什么）、短期记忆（刚才发生的事）、长期记忆（小时候学会的技能）。Agent 的记忆架构本质上是在模拟这个分层。

3. Context Engineering：context window 不能有什么塞什么

这门课造了一个词： Context Engineering ，定义为：

\==最优地选择和组织喂给 LLM Context Window 的信息==

context window 的构成：

课程区分了三个容易混淆的概念：

概念	范围	关注点
`Context Engineering`	最宽	所有进入 context window 的内容（指令、知识库、工具、记忆）
`Memory Engineering`	聚焦	记什么、怎么存、怎么检索、什么时候遗忘
`Memory Unit`	最小	记忆的基本单元

⚠️ Warning

Context Engineering ≠ Memory Engineering。前者更宽，包括系统指令、工具定义、知识库等所有进入上下文的东西。后者只管记忆的写入、存储、检索和遗忘。

4. Context Summarization：压缩长文本

第一种压缩方式：把长文本缩成摘要，再注入 context window。

课程用了一个研究摘要的例子来说明：

原始文本 （长，约 200 字）：一段关于 12 周 RAG 助手研究的多句描述，含参与者人数、实验方法等细节。

摘要后 （短，约 40 字）： 12-week study (n=48)，RAG 的引用准确率 92% vs 71%，主题覆盖 6.3 vs 4.1 。

三个要点：

1. 摘要内容被注入一个干净的 context window
2. 对某些任务，通过语义搜索检索摘要，能给 LLM 提供高信号密度上下文
3. ==但朴素的摘要是有损的==，压缩必然丢信息

5. Context Compaction：比摘要更进一步

第二种压缩方式：把多段对话上下文打包存储，生成带 ID 的可检索记忆块。

	Summarization	Compaction
做什么	长文本缩成短摘要	多段对话打包存储
输出	一段精简文字	带 ID 的记忆块
检索方式	语义搜索	ID / 语义双通道

工作流程：

💡 Tip

Compaction 的核心价值：给一段完整对话打包，存为带 ID 的记忆块。用的时候通过 ID 快速召回，不需要把所有历史对话全量塞进 context window。特别适合长对话场景——几十轮之后，早期对话压缩成可检索的块就够了。

6. Workflow Memory：把推理过程也记住

课程举了个天气查询的例子：

第一次 ：Agent 需要逐步推理（感知 → 调工具1 → 拿结果 → 调工具2……）

第二次 ：有 Workflow Memory，直接复用 5 步链路，省 token、降延迟、提高可靠性。

✏️ Note

Skill 就是固化下来的 Workflow Memory——把重复的 Agent 推理过程抽象成可复用的流程。第一次靠推理，第二次靠记忆，第三次靠肌肉。

7. Memory Ops：整个课程最核心的一张图

这张图把 Agent 循环中所有 Memory 操作画在了一起。

Agent Loop 三步循环

Memory 操作分两类

Loop 内 （每轮循环自动执行）分三种：

• 读： read summary / read entity / read workflow / read knowledge base / read conversational memory
• 写： write conv mem （写入对话记忆）/ summarize_conversation
• 扩展： expand summary （展开摘要为详细内容）/ search internet

Loop 外 （由 Inner Harness 控制）：

• 启动条件：用户提供输入
• 停止条件：任务完成 / 超时 / 出错 / 需要用户输入

🔥 Important

Memory 不只是存，还有一整套 read / write / expand / summarize 操作在每轮循环中动态运行。什么时候读、什么时候写、什么时候压缩，都是工程设计的核心。

8. 和实际平台的对应关系

课程讲的不是纯理论，每个概念都能对应到实际平台：

• Knowledge Base Docs (RAG) → 知识库（ES + 向量检索）
• Workflow Memory → Skill（固化工作流）
• Conversational Memory → 对话记忆层
• Entity Memory → 用户画像 / 实体记忆
• Context Engineering → 上下文组装逻辑
• Memory Engineering → Memory 层（写入可控、读取可控、分类决策）

Memory 系统设计原则

1. ==写入可控== — 记忆写入必须可查看、可修改、可删除
2. ==读取可控== — 检索流程必须白盒，能看清为什么检索到这条记忆
3. ==不盲目写入== — 不是什么信息都往记忆里塞，要有筛选标准
4. ==分类决策==：
• 一次性目标 → 写 Prompt
- • 长期事实 → 写 Memory
- • 大量文档 → 用 RAG
- • 重复流程 → 做 Skill
- • 长期约束 → 写 Rule

课程信息

• 课程：Agent Memory: Building Memory-Aware Agents ^[1]
• 合作方：DeepLearning.AI × Oracle
• 讲师：Richmond Alake, Nacho Martínez
• 时长：1 小时 57 分钟，7 个视频 + 4 段代码 + 1 个作业
• 费用：免费

💡 Tip

Anthropic 也写了一篇关于 Context Engineering 的文章，可以作为补充阅读：[Effective Context Engineering for AI Agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)。Redis 也开源了 [Agent Memory Server](https://redis.github.io/agent-memory-server/)，实现了类似的 lifecycle 管理。

引用链接

[1] Agent Memory: Building Memory-Aware Agents: https://www.deeplearning.ai/courses/agent-memory-building-memory-aware-agents

技术原理 · 目录