记忆是什么
在智能体（Agent）的语境下，记忆（Memory）指的是智能体存储、回忆并利用过往交互信息的能力。
没有记忆的智能体，每次对话都像“第一次见面”，无法从历史中学习，也无法建立持续的关系。记忆系统要解决的，正是这个问题。
它让智能体从“无状态工具”进化为“有状态的伙伴”。有了记忆，智能体才能：
提供个性化体验：记住用户的名字、偏好和习惯。
实现连续对话：在多轮对话中，能自动参考之前的聊天内容。
随时间成长：通过每次交互学习，变得越来越懂用户。
三大核心记忆类型
Agno 将“记忆”分为三种类型，协同工作以提供完整的上下文：
1.会话存储 (Session Storage)
这是短期记忆，是 Agent 进行多轮对话的基础。
存储什么：完整的聊天历史和当前的会话状态（Session State）。
如何工作：每次对话后，系统都会自动将新的消息和状态保存到数据库。当用户继续对话时，Agent 会读取这些历史，从而理解上下文。
解决的问题：确保智能体在一个会话中不会“失忆”，能进行连贯的对话。
2.用户记忆 (User Memories)
这是长期记忆，是真正意义上的“记忆”，目的是构建用户画像，实现个性化。
存储什么：从对话中提取的关于用户的事实、洞察和偏好。
两种管理模式：
自动记忆 (Automatic Memory)：通过
update_memory_on_run=True启用。Agno 在后台自动提取并存储记忆，无需干预。适合大多数场景。智能体记忆 (Agentic Memory)：通过
enable_agentic_memory=True启用。Agent 自己通过工具（Tools）决定何时创建、更新或删除记忆。适合需要精细控制的复杂场景。
解决的问题：让 Agent 能“记住”用户，提供真正个性化的交互体验。
3.会话摘要 (Session Summaries)
这是对长期记忆的优化，用于管理过长的对话历史。
存储什么：对冗长对话历史的浓缩摘要。
如何工作：当对话历史过长、可能超出模型上下文限制时，Agent 可以生成并存储摘要。
解决的问题：节省 Token 消耗，并在长对话中保持关键上下文不丢失。
存储架构与工作机制
Agno 的记忆系统通过“存储后端”实现数据持久化。
核心组件：
Agent: 业务逻辑的载体。Memory(v2):记忆管理中心，负责创建、检索、更新和删除记忆。MemoryManager: 执行记忆管理任务的实际工作者。Storage(Storage Backend):数据持久化层，与数据库交互。
数据模型与存储内容：使用持久化存储时，系统主要存储：
用户记忆 (User Memories)：关于用户的洞察和事实。
最后更新时间戳 (Last Updated Timestamps)：追踪记忆的修改时间。
记忆 ID (Memory IDs)：每条记忆的唯一标识符。
两种记忆管理模式
Agno 提供两种模式让智能体管理用户记忆：
自主模式 (Agentic Memory)：通过
enable_agentic_memory=True启用。智能体获得管理记忆的工具，可自主决定何时创建、检索或删除记忆。这是官方推荐的起点。被动模式 (Automatic Memory)：通过
enable_user_memories=True启用。MemoryManager在每次用户消息后自动运行，提取并存储记忆。
支持的存储后端
Agno 支持 13 种以上的数据库，通过插件式接口接入。主要分为：
开发/测试：
SqliteDb或InMemoryDb（无需配置，数据不持久）。生产环境：
PostgresDb。
记忆隔离机制
Agno 的所有记忆（包括长期记忆和会话历史）都严格与user_id绑定。只要在调用时传入不同的user_id，系统就能确保不同用户的数据完全隔离。
核心隔离机制
user_id是 Agno 中数据隔离的第一道，也是最关键的一道防线。
记忆的作用域：用户的长期记忆（User Memories）和会话记录都与
user_id绑定。在查询或存储记忆时，系统都会通过user_id进行过滤。关键实践：在生产环境中，必须为每个用户提供唯一的
user_id（例如你系统中的用户ID或邮箱）。如果忽略这一点，所有用户的数据都会混在一起，造成严重的数据泄露。
会话层面的隔离
如果说user_id是“人”的维度，那么session_id就是“对话”的维度。
作用：
session_id用于隔离同一个用户的不同对话线程。使用：在同一个
user_id下，不同的session_id代表着独立的会话历史。它们之间不会互相干扰，但会共享该用户的长期记忆。
agent_id与team_id：会话归属与组件标识
agent_id和team_id主要用于标识和区分不同的组件（Agent 或 Team），并作为会话 (Session) 的归属标识。
agent_id：标识一个特定的 Agent 实例。在AgentSession数据模型中，agent_id是一个核心字段，用于记录会话属于哪个 Agent。team_id：标识一个特定的 Team 实例。在TeamSession数据模型中，team_id是核心字段。当一个 Agent 作为 Team 的成员时，其team_id会被自动关联。
它们隔离了什么？agent_id和team_id主要用于在数据库层面区分和归类不同组件产生的会话数据。例如，它们能确保在查询某个 Agent 的历史会话时，不会错误地返回另一个 Agent 的会话。从这个角度看，它们提供了一种组件级别的数据隔离。
代码示例
会话记忆案例
from agno.agent import Agent from agno.db.sqlite import SqliteDb from dotenv import load_dotenv from agno.models.deepseek import DeepSeek load_dotenv() #定义大模型 deepseek = DeepSeek(id="deepseek-chat") db = SqliteDb(db_file="session_store.db") agent = Agent( model=deepseek, db=db, # 注入存储后端 instructions=["你是一个智能助手"], markdown=True, add_history_to_context=True, # 将历史加入上下文（关键） num_history_runs=3, # 包含最近3轮对话 user_id="xiaoxiaoer" ) resp = agent.run("你好,我是小小儿，你是谁？") print(resp.content) resp = agent.run("我是谁？") print(resp.content)用户记忆自动模式
from agno.agent import Agent from agno.db.sqlite import SqliteDb from dotenv import load_dotenv from agno.models.deepseek import DeepSeek load_dotenv() #定义大模型 deepseek = DeepSeek(id="deepseek-chat") db = SqliteDb(db_file="session_store.db") # 2. 创建 Agent 并启用自动记忆 agent = Agent( model=deepseek, db=db, update_memory_on_run=True, # 👈 自动提取记忆 user_id="xiaoxiaoer", instructions=["你是一个智能助手"], ) resp = agent.run("你好,我是小小儿，我喜欢滑雪跑步你是谁？") print(resp.content) resp = agent.run("我有哪些爱好") print(resp.content)用户记忆自主模式
from agno.agent import Agent from agno.db.sqlite import SqliteDb from dotenv import load_dotenv from agno.models.deepseek import DeepSeek load_dotenv() #定义大模型 deepseek = DeepSeek(id="deepseek-chat") db = SqliteDb(db_file="session_store.db") # 2. 创建 Agent 并启用自动记忆 agent = Agent( model=deepseek, db=db, enable_agentic_memory=True, # 👈 自动提取记忆 user_id="xiaoxiaoer", instructions=["你是一个智能助手"], ) resp = agent.run("你好,我是小小儿，我喜欢滑雪跑步你是谁？") print(resp.content) resp = agent.run("我有哪些爱好") print(resp.content)摘要记忆
from agno.agent import Agent from agno.db.sqlite import SqliteDb from agno.session import SessionSummaryManager from dotenv import load_dotenv from agno.models.deepseek import DeepSeek load_dotenv() #定义大模型 deepseek = DeepSeek(id="deepseek-chat") db = SqliteDb(db_file="session_store.db") # 可选：自定义摘要管理器（使用默认也可） summary_manager = SessionSummaryManager( model=deepseek, # 用于生成摘要的模型 ) # 2. 创建 Agent 并启用自动记忆 agent = Agent( model=deepseek, db=db, enable_session_summaries=True, # 👈 开启摘要 add_session_summary_to_context=True, # 默认 True，将摘要放入上下文 session_summary_manager=summary_manager, # 自定义摘要管理器 user_id="xiaoxiaoer", instructions=["你是一个智能助手"], ) resp = agent.run("你好,我是小小儿，我喜欢滑雪跑步你是谁？") print(resp.content) resp = agent.run("我有哪些爱好") print(resp.content)三者如何协同工作？
| 层级 | 作用 | 依赖关系 |
|---|---|---|
| Storage | 存储完整的原始聊天记录和状态 | 基础层，Summary 和 Memory 都需要它 |
| Memory | 提取并存储用户画像 | 可在 Storage 之上独立运行 |
| Summary | 压缩过长的历史，生成摘要 | 必须与 Storage 配合，用于上下文注入 |
from agno.agent import Agent from agno.db.sqlite import SqliteDb from dotenv import load_dotenv from agno.models.deepseek import DeepSeek load_dotenv() #定义大模型 deepseek = DeepSeek(id="deepseek-chat") db = SqliteDb(db_file="session_store1.db") agent = Agent( model=deepseek, db=db, # 注入存储后端 instructions=["你是一个智能助手"], markdown=True, #会话记忆 add_history_to_context=True, # 将历史加入上下文（关键） num_history_runs=3, # 包含最近3轮对话 # 用户记忆 enable_agentic_memory=True, # 自主模式 update_memory_on_run=True, # 同时自动提取 # 会话摘要 enable_session_summaries=True, add_session_summary_to_context=True, user_id="xiaoxiaoer" ) resp = agent.run("你好,我是小小儿，你是谁？") print(resp.content) resp = agent.run("我是谁？") print(resp.content)
