智能体记忆系统之「三级记忆」架构设计方案，涵盖：
-
记忆抽象模型
-
热 / 温 / 冷三类存储介质、延迟与成本
-
读写流程（智能体如何使用这些记忆）
-
自动升降级策略（含示例规则 & SQL/pseudo code）
-
策略配置与监控落地方案
一、统一「记忆单元」抽象
无论存在哪一层，都用同一种逻辑抽象：Memory Item（记忆单元）。
核心字段建议：
-
id：全局唯一 ID（UUID） -
user_id：所属用户/会话主体 -
type：memory 类型（对话片段 / 用户偏好 / 任务历史 / 文档切片等） -
content：原始文本或结构化 JSON -
embedding：向量（只在热 / 温层快速可用，或异步补全） -
created_at：创建时间 -
updated_at：最近修改时间 -
last_access_at：最近一次被检索或命中的时间 -
access_count_7d：近 7 天访问次数 -
access_count_30d：近 30 天访问次数 -
tier：当前所属层级（HOT/WARM/COLD） -
status：是否已删除 / 冻结
关键点：ID 与元数据统一存放在温记忆（关系型数据库）中；热 / 冷层更多是「索引 + 内容缓存」。
二、三级记忆的划分与技术选型
热记忆（HOT）——向量缓存层
定位：
-
存近期高频访问、对对话质量影响大的记忆（最近对话、重点用户偏好、正在进行的任务状态）
-
追求：极低延迟 + 高查询吞吐
推荐介质：
-
内存型向量缓存 + KV：
-
Redis + RedisSearch / Redis-Vector（或类似）
-
或 基于 Faiss / HNSW 的 in-memory 向量服务（自建 / Milvus / Qdrant 的内存集群）
-
-
可选：引入本地 LRU 缓存（per-Agent 进程内）做二级缓存
典型延迟 & 成本：
-
单次向量检索：1–10 ms
-
成本：高（内存 + 高性能节点）
适合存：
-
最近 N 轮对话的摘要 &关键信息
-
近 7～30 天内频繁命中（access_count 高）的知识片段
-
活跃用户的个性偏好、长期画像摘要
温记忆（WARM）——关系型数据库层
定位：
-
逻辑真相来源（Source of Truth）
-
负责：强一致的元数据管理 + 基本检索能力
-
读写量中等、可接受 10–100 ms 延迟
推荐介质：
-
PostgreSQL / MySQL + 向量扩展（如 pgvector）
-
或 关系型数据库 + 外部向量库（Milvus / Qdrant / Elasticsearch）
典型延迟 & 成本：
-
单次查询：10–100 ms（视索引 & 负载）
-
成本：中（SSD 磁盘为主，可水平扩展）
适合存：
-
所有记忆单元的元数据
-
近期到中长期（如 3～6 个月）的重要记忆内容
-
不那么高频，但偶尔要被搜
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/vaminal/article/details/157872604
