程序性记忆（Procedural Memory）

程序性记忆（Procedural Memory）

学习目标

读完本章后，你将能够：

• 区分语义记忆、情景记忆与程序性记忆的用途差异
• 设计 Agent 执行历史的摘要式存储方案
• 实现保留所有输出原文的结构化摘要格式
• 评估程序性记忆在 Agent 恢复上下文场景中的作用

核心概念

三种记忆类型

记忆系统通常支持三种类型的记忆，各自服务于不同的目的：

类型	枚举值	用途	示例
语义记忆	semantic_memory	事实、偏好、知识	”用户喜欢 Python”
情景记忆	episodic_memory	事件、经历	”用户昨天去了巴黎”
程序性记忆	procedural_memory	Agent 执行历史摘要	”Agent 已爬取 5 个页面，存储了 HTML 内容”

程序性记忆的特点

程序性记忆（Procedural Memory）是 Agent 执行历史的结构化摘要，核心目标是让 Agent 在后续会话中无歧义地继续任务。其特点：

1. 保留所有输出原文：Agent 的每次操作结果（返回数据、HTML 片段、JSON、错误消息）都原样记录
2. 顺序编号：每个 Agent 动作按执行顺序编号
3. 包含元数据：每个步骤附带关键发现、导航历史、错误信息、当前上下文

结构化摘要格式

程序性记忆的结构化格式包含两个层级：

全局元数据：

• 任务目标：Agent 要完成的总体目标
• 进度状态：当前完成百分比和已完成的里程碑

顺序 Agent 动作（编号步骤）：

1. Agent 动作：精确描述做了什么（点击了什么、调用了什么 API）
2. 动作结果（必须原文）：返回的数据、响应、HTML、JSON、错误消息
3. 嵌入式元数据：
   • 关键发现
   • 导航历史（访问了哪些页面及其 URL）
   • 错误与挑战（错误消息、堆栈跟踪、恢复尝试）
   • 当前上下文（操作后的状态和下一步计划）

触发条件

程序性记忆在 agent_id 存在且消息中包含 assistant 角色时触发，使用专门的 PROCEDURAL_MEMORY_SYSTEM_PROMPT 提示词，由 LLM 对 Agent 的执行历史进行摘要。

设计优势与代价

优势

1. 任务可恢复性：Agent 中断后可从摘要中精确恢复上下文
2. 完整性：所有输出原文保留，不因摘要而丢失细节
3. 结构化：编号步骤 + 元数据使摘要易于程序化解析

代价

1. 存储量大：保留所有输出原文导致摘要体积大
2. LLM 依赖：摘要质量依赖 LLM 的总结能力
3. 仅限 Agent 场景：需要 agent_id 和 assistant 角色，不适用于纯用户对话场景

陷阱与对策

陷阱	对策
LLM 摘要时丢失关键细节	提示词中强调”保留所有输出原文”、“不要改写或总结”
错误信息被截断	要求包含完整错误消息和堆栈跟踪
摘要过长超出上下文窗口	对过长的动作结果进行适度截断（如 300 字符限制）