OpenHands的Memory模块如何处理？

AI Agent框架探秘：拆解 OpenHands（13）--- Memory 目录AI Agent框架探秘：拆解 OpenHands（13）--- Memory0x00 概要0x01 大模型 Agent 记忆系统1.1 核心定位与需求背景1.2 主要功能1.3 核心挑战1.4 关键实现要点0x02 大模型 Agent 记忆系统分类体系2.1 经典分层框架：基于存储时效的核心分类2.2 功能导向分类：长期记忆的细分维度2.3 LangGraph 分类体系2.4 综述分类2.4.1 Token级记忆（Token-level Memory）：显性的认知符号一维：扁平记忆（Flat Memory）二维：平面记忆（Planar Memory）三维：层级记忆（Hierarchical Memory）2.4.2 参数化记忆（Parametric Memory）：刻在神经元里的本能2.4.3 潜在记忆（Latent Memory）：机器的原生语言0x03 比对3.1 Agent记忆 vs. LLM记忆3.2 Agent记忆 vs. RAG3.3 Agent记忆 vs. 上下文工程0x04 OpenHands Memory功能解析4.1 三层架构4.1.1 View4.1.2 ConversationMemory4.1.3 Condenser4.2 工作流程4.3 图结构0x03 关键组件3.1 总体关系3.1.1 依赖关系3.1.2 具体的筛选和移除操作3.2 View3.2.1 功能3.2.2 代码3.2.3 交互3.3 ConversationMemory3.3.1 处理工具调用3.3.2 处理工具响应（Observation）3.4 Condenser0xFF 参考 0x00 概要 大模型正在从生成工具演化为具有长期交互能力的智能体，这对“记忆能力”提出了更高的要求，因为大模型的 “记忆能力”，决定了它能走多远，从单轮问答到多轮协作，从通用助手到垂直 Agent，核心都是 “能否记住关键信息、锚定核心目标”——只有记忆突破，AI才能“持续陪伴”，这是增加用户黏性的必然。 而LLM有限的上下文窗口决定了我们不可能将所有历史信息塞入提示。因此，设计一个高效的 「记忆检索」机制至关重要。这不仅仅是技术选型（如使用向量数据库），更是策略设计。如何将对话历史、过往的行动轨迹、成功的经验与失败的教训进行压缩、提炼并结构化存储。 0x01 大模型 Agent 记忆系统 我们看看大模型 Agent 记忆系统的核心设计、挑战与实现路径。 1.1 核心定位与需求背景 在以自然语言为接口、大模型为核心的 Software 3.0 时代，AI Agent 作为上下文驱动的生成式应用，需突破传统上下文窗口的固有局限。传统依赖上下文窗口维持对话状态与任务记忆的方式，存在长度受限、组织无序、知识静态、成本高昂四大痛点 —— 既无法承载超长历史信息，也难以高效检索与动态更新知识，更会因长文本处理消耗大量计算资源。 从系统架构视角看，Agentic System 可类比为新型操作系统：LLM 扮演 CPU 角色，上下文窗口则如同容量有限的 RAM，而上下文工程就是核心的 “内存管理器”—— 其核心职责并非简单填充数据，而是通过智能调度算法，动态决定上下文数据的加载与换出，确保系统高效运行与结果精准性。 构建持久化、结构化、可检索的 Agent 记忆系统，成为解决上述问题、支撑复杂任务执行的关键，它记录 Agent 的交互历程与知识积累，是连接短期交互与长期智能的核心纽带。 1.2 主要功能 记忆系统作为 Agent 的 “数据飞轮”，是实现真正智能的关键，其核心功能可类比人类认知机制，涵盖多维度能力： 全类型数据存储与管理：记录 Agent 运行过程中的交互信息、任务数据、工具结果等，为决策提供全面支撑，保障任务执行的连贯性； 分层记忆架构：构建短期记忆（当前任务即时上下文，如用户最新指令、工具返回结果）、工作记忆（当前任务执行步骤、待处理子任务）、长期记忆（历史经验、用户偏好、领域知识库）的三级架构，适配不同场景需求； 高效检索与更新：支持按语义相似度、时间戳、任务相关性等多维度快速召回信息，结合增量更新机制动态优化记忆内容； 核心能力支撑：实现多轮对话状态维持、历史经验积累与复用、复杂推理链路延续，以及基于用户偏好的个性化服务。 1.3 核心挑战 Agent 系统输出不及预期的根源，在基础模型能力达标的前提下，多归因于上下文机制失效 —— 要么缺失关键信息，要么因数据过量导致退化，进而引发幻觉。