Agno 记忆管理与压缩策略
Agno 记忆管理与压缩策略
学习目标
本章将分析 Agno 的记忆系统架构：
- MemoryManager 如何使用独立模型管理记忆 CRUD
- SummarizeStrategy 的记忆压缩算法
- 后台线程记忆创建与主管线的协同
- 记忆工具的设计（add/update/delete/clear）
前置知识
建议先阅读：
下文假设你已理解上述概念，直接聚焦 Agno 的具体实现。
项目实践
MemoryManager：独立模型的记忆管理器
MemoryManager 是一个独立于 Agent 的组件，有自己的模型和系统提示：
# 伪代码：MemoryManager 配置manager = MemoryManager( model=OpenAIResponses(id="gpt-4o-mini"), # 独立模型，可用更便宜的模型 system_message="你是一个记忆管理助手...", memory_capture_instructions="提取关于用户的重要信息...", additional_instructions="特别关注用户的偏好和习惯。", db=PostgresDb(db_url="..."), # 工具开关 add_memories=True, update_memories=True, delete_memories=True, clear_memories=True,)关键设计：MemoryManager 可以配置与主 Agent 不同的模型。记忆提取通常不需要最强的模型，使用更便宜的模型可以降低成本。
SummarizeStrategy：记忆压缩算法
SummarizeStrategy 是 MemoryOptimizationStrategy 的具体实现，将多条记忆合并为单一综合摘要：
# 伪代码：压缩流程class SummarizeStrategy(MemoryOptimizationStrategy): def optimize(self, memories: List[UserMemory], model: Model) -> List[UserMemory]: # 1. 收集所有记忆内容 memory_contents = [mem.memory for mem in memories if mem.memory]
# 2. 合并 topic（去重） all_topics = [] for mem in memories: if mem.topics: all_topics.extend(mem.topics) summarized_topics = list(set(all_topics)) if all_topics else None
# 3. 调用 LLM 压缩 system_prompt = "你是一个记忆压缩助手..." response = model.chat([ Message(role="system", content=system_prompt), Message(role="user", content="\n".join(memory_contents)), ])
# 4. 返回单一压缩后的记忆 return [UserMemory( memory=response.text, topics=summarized_topics, user_id=memories[0].user_id, )]压缩保证：
- 所有事实信息不丢失（由 LLM 摘要保留）
- Topic 分类去重合并（
set(all_topics)） - 检查
user_id一致性，防止跨用户记忆泄漏 - 检查
agent_id/team_id一致性（记录日志）
后台线程记忆创建
记忆创建作为后台线程启动（管线步骤 7），与主执行管线并行：
# 伪代码：后台记忆创建memory_future = _managers.start_memory_future( agent, run_messages=run_messages, # 需要完整的消息上下文 user_id=user_id, existing_future=None, # 可传入已有的 future 复用)
# 主管线继续执行模型调用，不等 memory_futuremodel_response = call_model_with_fallback(...)
# 管线末尾等待后台完成wait_for_open_threads(memory_future, cultural_future, learning_future)为什么用后台线程？ 记忆提取需要完整的 run_messages（包含用户输入），但不需要模型响应。在等待模型调用的同时并行执行记忆提取，不增加用户感知延迟。
记忆 CRUD 工具
MemoryManager 向 Agent 暴露 4 个记忆操作工具：
| 工具 | 功能 | 默认启用 |
|---|---|---|
add_memories | 添加新记忆到数据库 | 是 |
update_memories | 更新已有记忆 | 是 |
delete_memories | 删除指定记忆（按 ID） | 是 |
clear_memories | 清空用户的所有记忆 | 是 |
Agent 在对话中可以自主调用这些工具来管理记忆。
问题与规避
1. 跨用户记忆泄漏
如果 MemoryManager 的 user_id 处理不正确，可能导致 A 用户的记忆被写入 B 用户的命名空间。
规避：SummarizeStrategy 在 optimize 中检查所有记忆的 user_id 一致性，不一致时抛出 ValueError。MemoryManager 的 CRUD 工具始终传入当前 run 的 user_id。
2. 记忆压缩的延迟
SummarizeStrategy 需要调用 LLM 进行压缩，在记忆数量多时可能耗时数秒。
规避：后台线程模式天然解决了这个问题——压缩在后台运行，不影响主响应。如果压缩未完成，主管线在步骤 12 等待，但此时用户已经收到了响应。
3. 记忆爆炸（记忆过多）
如果不进行压缩或淘汰，记忆数量会随交互线性增长，导致：
- 数据库存储成本增加
- 检索时返回过多候选记忆
- 注入上下文时占用过多 token
规避：
- SummarizeStrategy 压缩多条记忆为一条
- Curator（在 LearningMachine 中）负责后台淘汰
- 可自定义
MemoryOptimizationStrategy实现更激进的压缩
设计取舍
为什么 MemoryManager 使用独立模型？
Agno 的选择是将记忆管理与主 Agent 解耦：
- 优势：记忆管理可以用更便宜的模型（如 gpt-4o-mini），降低成本
- 代价：两个模型可能有不一致的记忆理解
- 替代方案：共享主 Agent 模型——一致性更好，但成本更高
为什么 SummarizeStrategy 是单策略而非多策略？
目前只有 SummarizeStrategy 一个实现。MemoryOptimizationStrategy 是抽象基类，支持扩展。
替代方案：同时支持多种策略（如时间窗口截断、主题聚类），根据场景自动选择。这需要用户在配置中指定策略类型。