MCP 记忆与持久化工具：让 Agent 拥有长期记忆

1. Agent 为什么需要记忆

LLM 本身是无状态的：每次对话都从上下文重新开始。MCP 的记忆工具给 Agent 补上"记得住"的能力——记住用户偏好、历史决定、领域知识，跨会话复用。记忆是 Agent 从"每次重新认识你"进化到"越来越懂你"的关键基础设施。

1.1 记忆的类型

1.2 MCP 记忆工具的价值

# 没有记忆工具: 每次会话都要重新交代偏好/历史
# 有记忆工具
# 1) 用户偏好: "上次你说喜欢简洁回复" → 跨会话生效
# 2) 项目上下文: "这个仓库的构建命令" → 记住
# 3) 决策历史: "上次选了方案 A 因为 X" → 避免重复纠结
# 4) 领域知识: 注入团队规范/业务知识

2. 记忆工具的基本模式

2.1 三类核心操作

# 记忆工具的经典三操作
# 1) 写入记忆: remember(key, content, metadata)
# 2) 检索记忆: recall(query, limit) → 相关记忆
# 3) 删除/更新: forget(key) / update(key, content)
# 工具命名示例
#   memory/save / memory/search / memory/delete
# 原则: 记忆操作要可检索（不是"存了就忘"）

2.2 写入的工程规范

# 写什么
# 1) 事实性记忆: 偏好、事实、决定（可验证）
# 2) 少写过程噪音: 别把每句对话都存（记忆污染）
# 3) 带元数据: 时间、来源、重要性、主题
# 4) 可冲突: 旧记忆与新事实冲突 → 更新而非堆叠
# 模型主动存 vs 工具自动存
# 主动: 模型判断"这值得记住"再存（精确，需模型判断力）
# 自动: 关键事件自动落库（全，但噪音多）
# 实践: 混合——自动捕获 + 模型精选

2.3 检索的工程规范

# 检索什么
# 1) 按主题/实体检索（结构化）
# 2) 按语义检索（向量，近似相关）
# 3) 时间范围过滤（近期优先）
# 检索结果注入上下文（不超过预算 token）
# 重要性: 检索要"少而准"，别把记忆库全倒进上下文

3. 向量记忆与语义检索

3.1 语义记忆的形态

# 向量记忆: 把记忆文本向量化，按语义相似检索
# 适用: 自然语言描述的记忆（偏好、笔记、讨论）
# 优点: 不问"精确关键词"也能召回相关
# 需要: 向量存储（向量数据库/嵌入 + 索引）
# 工作流
# 1) 写入时: 内容 → 嵌入向量 → 存向量 + 原文
# 2) 检索时: 查询 → 嵌入 → 相似度 Top-K

3.2 向量工具的设计

# 工具: memory/search(query, topK)
# 服务器内部
# 1) 查询文本嵌入
# 2) 向量相似检索（余弦相似度）
# 3) 返回 Top-K（带分数，供模型判断相关度）
# 注意
# 1) 嵌入模型与写入/检索一致（同模型）
# 2) 阈值: 相似度低于阈值别硬给（避免无关记忆）
# 3) 结合关键词过滤（精确 vs 语义互补）

4. 结构化记忆与知识图谱

4.1 记忆图谱（实体-关系）

# 场景: 记住"用户与项目、决定、偏好的关系"
# 结构化存储: 实体（用户/项目/工具）+ 关系（属于/偏好/决定）
# 查询: "这个项目用了什么技术栈" → 实体关系检索
# 优点
# 1) 精确（关系明确）
# 2) 可推理（A 关联 B，B 关联 C → 间接）
# 3) 可更新（关系增删改）
# 代价: 维护成本高（实体抽取/关系建模）

4.2 图谱 vs 向量的选择

# 实践: 向量为主（覆盖大部分自然记忆）
#       图谱用于"关系密集"领域（项目/人员/决策）
#       可共存: 图谱实体也能向量化混合检索

5. 跨会话持久化的实现

5.1 存储后端选型

# 选型: 单用户本机 → SQLite；多用户服务 → 服务器数据库
# 记忆是"长期资产": 选可靠持久化（别存内存/临时）

5.2 一致性与版本

# 记忆更新的并发
# 同一记忆并发写 → 版本号 + 乐观锁
# 冲突: 新事实覆盖旧事实要可追溯（保留历史或 diff）
# 删除: 用户要求删除记忆 → 真删（含向量索引）
# 备份: 记忆是用户资产，定期备份/导出

5.3 记忆的上下文预算

# 检索注入必须控制 token
# 1) 检索 Top-K 按预算限制
# 2) 记忆条目截断（只注入关键部分）
# 3) 模型可"需要更多时再深查"（分级注入）
# 4) 别把整个记忆库塞进上下文（超预算 + 噪音）

6. 记忆的隐私与治理

6.1 记忆即用户数据

# 记忆可能包含敏感信息（偏好、联系方式、业务秘密）
# 治理要求
# 1) 明确告知: 用户知道"Agent 记住了什么"
# 2) 可查看: 提供"查看我的记忆"工具
# 3) 可删除: 一键清除（GDPR 删除权意识）
# 4) 最小化: 只存必要信息，不默认全存
# 5) 加密: 敏感记忆加密存储（见安全实践）

6.2 记忆的边界

# 记忆使用边界
# 1) 单用户记忆隔离（别串用户）
# 2) 团队/共享记忆: 权限控制（谁能看/写）
# 3) 敏感记忆: 默认不自动写，需确认
# 4) 过期清理: 不重要记忆定期清理（防污染检索）

7. 记忆错误的防护

7.1 三类记忆错误

7.2 让记忆"可证伪"

# 记忆应带来源与时间（谁、何时、从哪来）
# 回答时基于记忆但可质疑: "根据 3 月的记录……"
# 冲突时: 多个记忆冲突 → 显式标注，别静默选一个
# 用户纠正: 提供"纠正记忆"的路径（更新而非追加）

8. 记忆工具的测试

# 1) 写入-检索闭环: 存 → 语义检索能召回
# 2) 冲突更新: 新记忆覆盖旧记忆，检索返回新值
# 3) 过期清理: 过期条目被排除在检索外
# 4) 隔离: 多用户记忆互不串
# 5) 删除: 删除后检索不到（含向量）
# 6) 上下文预算: 检索注入不超过限制

9. 常见陷阱

• 记忆污染：把所有对话都存，检索全是噪音——只存值得记的。
• 记忆幻觉：检索到的记忆当作"当前事实"，不核对时间/来源。
• 串用户：多用户共用记忆库，隐私泄露。
• 遗忘能力缺失：只有"存"和"取"，没有"改"和"删"。
• 上下文爆炸：记忆检索超预算，反而稀释主上下文。

10. 总结

MCP 记忆与持久化工具的工程要点：记该记的（事实/偏好）、检索少而准、可查看可删除、带时间来源。向量记忆服务语义检索、图谱服务关系查询、存储选可靠后端、隐私治理当用户数据对待。记忆让 Agent 从"每次重新认识"进化为"越来越懂"——但要有克制地记、有把握地用、有边界的存。