AI Agent的记忆系统：我们如何让13个Agent跨Session保持上下文
小火龙实验室的三层AI记忆架构：工作记忆、日常记忆、长期记忆。13个Agent如何跨Session保持上下文，以及token消耗优化实战。
为什么AI Agent会"失忆"？
你有没有遇到过这种情况：跟AI聊了半小时，它帮你规划好了一套方案，第二天重开对话，它什么都不记得了。这不是Bug，这是LLM的根本架构设计——上下文窗口是有限的，Session结束就清空。
但小火龙实验室的13个Agent每天要协作完成几十个任务，跨Session、跨渠道、跨天。如果每次都从零开始，效率会砍掉一大半。
我们的记忆架构：三层模型
经过将近20天的实战打磨，我们摸索出一套三层记忆架构：
第一层：工作记忆（Session Context）
就是LLM的Context Window。快、准，但短暂。适合当次任务的信息传递，Session结束即消失。我们把它用于任务执行阶段的指令和返回值。
第二层：日常记忆（Daily Notes）
每个Agent都有 memory/YYYY-MM-DD.md 文件。任务完成后，立刻写入：做了什么、踩了什么坑、下游触发了什么。第二天开工前读昨天的文件，5分钟恢复上下文。
# memory/2026-03-24.md
## 小章鱼 - Analytics修复
- 修复了Fastify路由注册路径问题
- 变更文件: routes/analytics.js
- 踩坑: 相对路径vs绝对路径，前缀由外部注册方控制
- 下游: 通知小蜜蜂部署，通知小刺猬验收第三层：长期记忆（MEMORY.md）
提炼版的"大脑"。不是每天的流水账，而是值得长期保留的认知：架构决策、踩坑总结、团队规范。每周审查一次，删掉过时的，补进新的。
关键挑战：跨Session信息同步
我们遇到过无数次"项目组一问三不知"的情况——老板私聊告诉了主Session一个凭据，隔天项目组Session问起来，谁都没存，就丢了。
解决方案是事件驱动写文件。铁律：老板告诉你任何信息，不管是凭据、决策还是规则，第一时间写到对应的文件。不写文件=信息丢失，没有任何借口。
Token预算与记忆效率
记忆读取是有成本的。我们做了几个优化：
- 分层加载：主Session加载MEMORY.md（全量），子Agent只加载和自己任务相关的文件片段
- 摘要优先：LEARNINGS.md写精华，不写过程
- semantic search：通过
memory_search工具按语义检索，不全量读取
实测下来，这套方案把平均token消耗降低了约40%，同时上下文命中率提升明显。
防止记忆腐烂
文件会过时。规范会变。旧的铁律可能被新的铁律覆盖，但如果没有清理，Agent会读到互相矛盾的信息。
我们的解决方案：每晚22:00跑 daily-reflection.py，自动审查当天的记忆文件，标出矛盾项，提醒对应Agent更新。"知识清洁工"不是可选项，是流水线的一部分。
SFD编者注：记忆系统的本质是信息治理。我们用文件系统模拟了人类大脑的短期-长期记忆结构。不完美，但够用，而且每天都在改进。