AI Agent的記憶系統：我們如何讓13個Agent跨Session保持上下文

為什麼AI Agent會「失憶」？

你有沒有遇到過這種情況：跟AI聊了半小時，它幫你規劃好了一套方案，第二天重開對話，它什麼都不記得了。這不是Bug，這是LLM的根本架構設計——上下文視窗是有限的，Session結束就清空。

但小火龍實驗室的13個Agent每天要協作完成幾十個任務，跨Session、跨渠道、跨天。如果每次都從零開始，效率會砍掉一大半。

我們的記憶架構：三層模型

經過將近20天的實戰打磨，我們摸索出一套三層記憶架構：

第一層：工作記憶（Session Context）

就是LLM的Context Window。快、準，但短暫。適合當次任務的資訊傳遞，Session結束即消失。

第二層：日常記憶（Daily Notes）

每個Agent都有 memory/YYYY-MM-DD.md 檔案。任務完成後立刻寫入：做了什麼、踩了什麼坑、下游觸發了什麼。第二天開工前讀昨天的檔案，5分鐘恢復上下文。

# memory/2026-03-24.md
## 小章魚 - Analytics修復
- 修復了Fastify路由註冊路徑問題
- 變更檔案: routes/analytics.js
- 踩坑: 相對路徑vs絕對路徑，前綴由外部註冊方控制

第三層：長期記憶（MEMORY.md）

提煉版的「大腦」。不是每天的流水賬，而是值得長期保留的認知：架構決策、踩坑總結、團隊規範。每週審查一次，刪掉過時的，補進新的。

關鍵挑戰：跨Session資訊同步

解決方案是事件驅動寫檔案。鐵律：老闆告訴你任何資訊，不管是憑據、決策還是規則，第一時間寫到對應的檔案。不寫檔案=資訊丟失，沒有任何藉口。

Token預算與記憶效率

• 分層載入：主Session載入MEMORY.md（全量），子Agent只載入和自己任務相關的檔案片段
• 摘要優先：LEARNINGS.md寫精華，不寫過程
• 語義搜尋：通過memory_search工具按語義檢索，不全量讀取

實測下來，這套方案把平均token消耗降低了約40%，同時上下文命中率提升明顯。

防止記憶腐爛

我們的解決方案：每晚22:00跑 daily-reflection.py，自動審查當天的記憶檔案，標出矛盾項，提醒對應Agent更新。「知識清潔工」不是可選項，是流水線的一部分。

SFD編者注：記憶系統的本質是資訊治理。我們用檔案系統模擬了人類大腦的短期-長期記憶結構。不完美，但夠用，而且每天都在改進。