记忆（Memory）是AI智能体必备的能力之一。随着对话轮数与深度的增加，如何让AI智能体“记住”过去的上下文，是实现精准理解与个性化AI系统的关键。由于大语言模型（LLM）存在上下文长度限制，如果不对记忆进行优化，长对话很容易带来两个问题：1.遗忘早期信息，导致理解偏差；2.过度消耗计算资源，增加推理成本。尽管 MemGPT、Mem0 等优秀开源项目已提供初步实现，理解这些策略的底层原理，仍是我们在设计或部署智能体时的重要一环。
1. 全量记忆：不遗忘任何内容原理：将全部历史上下文累积，每轮都完整地发送给 LLM，无需筛选或删减。优劣分析：
✅ 保留全部细节，简单易实现；
❌ 易触发上下文溢出，增加推理成本。适用场景：一次性对话或上下文长度可控的应用，如 FAQ 问答、简短闲聊。2. 滑动窗口：固定长度截断原理：仅保留最近若干轮对话，以模拟人类短时记忆。优劣分析：
✅ 控制上下文长度，节省计算资源；
❌ 遗忘早期重要信息，健忘性强。适用场景适合对上下文依赖不强的轻量级任务，如闲聊机器人。03. 相关性过滤：遗忘次要信息原理：为每轮对话计算“相关性”得分，仅保留高分内容。优劣分析
✅ 更“智能”的选择性保留重要内容；
❌ 评估函数复杂，可能误删。
适用场景知识密集型场景，如研究助理、教育问答系统。