当前位置：首页 > news >正文

构建有记忆的 AI Agent：SQLite 存储 + 向量检索完整方案示例

news 2025/10/29 11:03:31

现在的 Agent 系统有个很明显的问题 —— 会话一结束，什么都忘了。

这不是个技术缺陷，但是却限制了整个系统的能力边界。Agent 可以做推理、规划、执行复杂任务，但就是记不住之前发生过什么。每次对话都像是第一次见面，这种状态下很难说它真正"理解"了什么。

记忆能力是把 LLM 从简单的问答工具变成真正协作伙伴的关键。一个只能"回答当前问题"，另一个能"基于历史经验做决策"，这就是增加了记忆能力后的改进。

这篇文章会讲怎么给 Agent 加上记忆、反思和目标跟踪能力。技术栈很简单：

SQLite 做结构化存储
向量数据库（Pinecone、FAISS、Chroma 都行）处理语义检索
LLM 层负责反思和总结

这套架构可以直接集成到现有框架里，不管你用 LangChain、CrewAI 还是自己写的框架。

记忆为什么这么重要

Agent 的自主性需要记忆支撑，先说跨会话连续性，一个数据质量监控 Agent 如果能记住哪些数据集经常出问题，就能提前预警而不是每次都从头排查。

而且通过记忆还可以增加反思的能力，Agent 可以自己评估"这次任务完成得怎么样"、“推理过程有没有问题”，这种自我评估不需要复杂的奖励函数，用自然语言就能实现强化学习的效果。

长期目标跟踪也是一个很大的需求，数据整理、研究辅助这类工作往往跨越多次交互，需要 Agent 记住目标、追踪进度、理解任务之间的依赖关系。

没有记忆的 Agent 永远困在当下，无法积累经验也无法改进。

系统架构

整体设计分两个记忆层面：情景记忆记录发生的事情，语义记忆提炼学到的经验。

这个架构的核心是让 Agent 既能查询"我之前做过什么"，也能理解"类似的情况该怎么处理"。

数据库设计

为了演示，我们使用SQLite ，因为它轻量、本地化、跨平台支持好。对于大多数场景够用了，除非你的 Agent 需要处理海量并发。

数据库如下：

 CREATE TABLE IF NOT EXISTS memory_events (  id INTEGER PRIMARY KEY AUTOINCREMENT,  agent_name TEXT,  timestamp DATETIME DEFAULT CURRENT_TIMESTAMP,  input TEXT,  output TEXT,  summary TEXT,  embedding BLOB  
);  CREATE TABLE IF NOT EXISTS goals (  id INTEGER PRIMARY KEY AUTOINCREMENT,  agent_name TEXT,  goal TEXT,  status TEXT DEFAULT 'in_progress',  last_updated DATETIME DEFAULT CURRENT_TIMESTAMP  );

memory_events 表存交互历史和摘要，goals 表追踪目标状态。每个任务执行完就自动记录，这些数据后面会用来做反思分析。

记录情景记忆

每次任务执行完，把关键信息存下来：

 def log_memory_event(agent_name, input_text, output_text, summary, embedding):  conn = sqlite3.connect("memory.db")  cur = conn.cursor()  cur.execute("""  INSERT INTO memory_events (agent_name, input, output, summary, embedding)  VALUES (?, ?, ?, ?, ?)  """, (agent_name, input_text, output_text, summary, embedding))  conn.commit()  conn.close()

summary 可以让 LLM 生成：

 summary_prompt = f"Summarize this agent interaction:\n\nInput: {input_text}\nOutput: {output_text}\n"  summary = llm.complete(summary_prompt)

然后把摘要转成向量存起来：

 embedding = embedding_model.embed(summary)

这样做的好处是，检索时不依赖关键词匹配，而是基于语义相似度。Agent 记住的不是原始文本，是事情的"意思"。

语义检索实现

新查询来的时候，先找出相关的历史记忆：

 def recall_related_memories(query, top_k=3):  query_embedding = embedding_model.embed(query)  results = pinecone_index.query(vector=query_embedding, top_k=top_k)  return [r['metadata']['summary'] for r in results]

检索出来的摘要直接注入到 prompt 里：

“以下是一些相关的历史经验，处理当前问题时可以参考……”

这个过程模拟了人类决策前回忆类似经历的思维方式。向量检索能找到语义上相关但表述完全不同的内容，比传统的全文搜索要智能得多。

反思机制

有了记忆以后，还可以让 Agent 学会从记忆中学习。反思循环把被动的存储变成主动的能力提升。每隔几次交互触发一次：

 reflection_prompt = f"""  
You are reviewing your recent actions. Based on the following summaries, what patterns,  
mistakes, or improvements do you notice?  {recent_summaries}  Provide 3 takeaways and 1 improvement plan for your future tasks.  
"""  reflection = llm.complete(reflection_prompt)

可以把这个反思结果作为元记忆存起来，也可以生成 embedding 用于后续检索。

更进一步还可以加自我批评机制。每个主要任务完成后，Agent 评估是否达成目标。没达成就写个修正笔记，下次遇到类似情况知道该怎么改进。

这种方式实现了推理层面的强化学习，不需要梯度更新，纯靠自然语言就能调整行为模式。

目标管理

Agent 需要目标感。可以动态定义、更新、评估目标：

 def update_goal(agent_name, goal, status):  conn = sqlite3.connect("memory.db")  cur = conn.cursor()  cur.execute("""  UPDATE goals SET status = ?, last_updated = CURRENT_TIMESTAMP  WHERE agent_name = ? AND goal = ?  """, (status, agent_name, goal))  conn.commit()  conn.close()

可以专门跑一个目标跟踪 Agent，定期检查未完成的目标然后提醒相关 Agent：