从人类三类记忆看 AI 智能体记忆架构
人类记忆三分：语义记忆、情景记忆、过程记忆，现代 Agent 架构刚好一一对应，这个类比非常贴切，能把 Agent 各模块的定位讲得很通透。
人类记忆定义
- 语义记忆（Semantic Memory）存储脱离个人经历的客观知识、概念、事实、规则。
例子：罗马是意大利首都；水沸点 100℃；Python 语法规则。 特点：陈述性知识，知道 “是什么”，不绑定个人体验，可以被复述出来，但不等于会做。
- 情景记忆（Episodic Memory）存储带时间、上下文、自我视角的个人经历片段。
例子：去年夏天我去罗马旅行；刚刚和别人的一段对话。 特点：带时间戳、上下文、主体视角，记录发生过什么，是个人化的事件快照。
- 过程记忆（Procedural Memory）也叫程序记忆，存储怎么做、动作流程、实操技能，属于非陈述性记忆。
例子：骑踏板车、游泳、敲代码、修车。 特点：很难用纯文字完整讲清楚，大量隐性步骤，靠反复练习习得；你知道怎么操作，但不一定能把每一步都写成大白话。
Agent 智能体的映射关系
表格
| 人类记忆 | Agent 对应组件 | 核心作用 |
|---|---|---|
| 语义记忆 | RAG、向量知识库 | 读取客观事实、外部文档、静态知识；回答 “是什么” |
| 情景记忆 | 对话日志、交互历史、短期 / 长期事件记忆 | 记录本次 / 历史交互发生了什么，上下文、用户偏好、过往事件 |
| 过程记忆 | Skills / Tool 调用文件、Agent 提示模板、动作流程 | 记录该怎么干：调用什么工具、执行步骤、判断分支、处理异常 |
进一步拆解三者边界
语义记忆（RAG）：只提供素材，不负责行动知识库告诉你工具的参数、接口文档，但不会自动帮你调用工具。就像你记住了踏板车说明书，但不代表你会骑车。
情景记忆（对话历史）：记录过往，不提供执行能力它记得上一轮用户问过什么、之前发生过报错，但它不知道下一步该调用哪个工具。好比你记得上次在罗马骑车摔过，但记忆本身不会教你怎么平衡车身。
过程记忆（Skills）：是 Agent 的 “肌肉记忆”Skill 文件里写的是：遇到什么条件 → 调用哪个工具 → 参数怎么组装 → 出错怎么重试 → 怎么整理结果返回。
这就是 Agent 的实操技能，对应人脑的过程记忆。 它不是知识，不是历史，是一套动作范式。
现实工程痛点（很多 Agent 项目踩坑）
把过程记忆塞进 RAG 知识库：把工具调用流程全部写进文档靠 RAG 检索。 结果：大模型经常漏步骤、顺序错乱、参数写错。因为 RAG 擅长 “读知识”，不擅长稳定复现一套操作流程。就像靠读骑车说明书学骑车，很容易翻车。
把过程记忆丢进对话历史：全靠上下文 few‑shot 示例驱动技能。 结果：上下文窗口一满，技能直接退化；长对话之后动作变形。情景记忆适合 “回忆发生过的事”，不适合固化稳定执行流程。
正确分工：
- 事实、资料 → 交给语义记忆 (RAG / 知识库)
- 用户交互、过往事件 → 交给情景记忆 (记忆模块)
- 固定动作、工具调用、业务流程 → 固化为过程记忆 (Skills)
延伸思考：人脑和 Agent 的差异
人脑的过程记忆是隐性、神经权重层面习得，靠反复训练内化； 而现在 Agent 的 Skill 大多还是显式文件（yaml/json/prompt），是手写的程序式过程记忆。
未来方向：
- 模仿人脑：让 Agent 从大量交互样本中自动生成 / 迭代 Skill，从显式 Skill 走向隐性习得的过程记忆，相当于 Agent 自己 “练会一门手艺”，而不是全部靠人写死技能文件。
