一、Agent 为什么需要长期记忆服务

由于在模型层面，LLM 只会根据理解当前输入进行输出，因此在 Agent 层的设计上，通常会通过会话历史、上下文窗口或内置 Memory 模块去补齐上下文信息，从而拥有“记忆”。但当 Agent 进入长期、复杂、体系化的使用场景后，记忆就不能只停留在单个 Agent 内部，而需要成为可持续管理、按需召回、安全复用的服务能力。

Agent 需要记忆服务，并不是因为单个 Agent 完全不能记住信息，而是因为长期使用中会出现更复杂的记忆需求。

类型	表现	问题分析	记忆服务的价值
用户画像难以沉淀	用户反复说明身份、角色、偏好、表达习惯和常用格式	用户画像来自多次交互，仅靠当前会话或单个 Agent 内部记忆，难以形成稳定理解	沉淀长期用户画像，让 Agent 持续理解用户，减少重复说明
复杂任务上下文断档	项目、客户、研发、学习、创作、排障等任务，每次都要重新交代背景	复杂任务包含历史背景、阶段结论、关键约束和下一步计划，仅看当前上下文容易丢失连续性	沉淀任务关键信息，让 Agent 在新会话中延续任务过程
变化信息容易误用	偏好变化、状态推进、旧结论被修正后，Agent 仍引用过期信息	长期记忆需要随用户、任务和场景变化持续更新，并判断适用边界	支持记忆写入、召回、更新和边界管理，让 Agent 记得准、用得对
多入口、多 Agent 上下文孤岛	不同入口或多个 Agent 协作时，必要上下文无法复用	记忆若只保存在单个 Agent 内部，难以共享必要背景；无边界共享又可能带来误用	在合适范围内复用记忆，同时保持用户、任务、Agent 和应用边界
记忆能力难以体系化管理	不同 Agent 各自维护记忆，规则不一致	场景复杂后，记忆从局部功能变成基础能力，缺少统一服务会影响质量、复用和治理	提供统一长期上下文基础设施，让记忆可管理、可复用、可扩展

因此，Agent 记忆服务是为长期、复杂、体系化的 Agent 场景提供统一的长期上下文基础设施。它让 Agent 能够持续理解用户、延续任务过程、动态更新记忆，并在清晰边界内复用上下文。

二、长期记忆 vs RAG

RAG 主要解决“从已有知识中找到相关内容”的问题，适合知识库问答、文档检索、资料查询等场景。长期记忆服务主要解决“让 Agent 持续理解用户、任务和历史上下文”的问题，适合需要长期跨会话延续的场景。

对比维度	RAG	长期记忆服务
核心目标	检索外部知识，辅助模型回答问题	沉淀长期上下文，让 Agent 持续理解用户和任务
信息来源	文档、网页、知识库、企业资料	对话历史、用户偏好、任务过程、操作记录、历史结论
数据特点	相对静态，以知识片段为主	持续变化，可随交互更新、修正和沉淀
典型问题	“这份文档里怎么说？”“知识库中有没有相关资料？”	“用户之前偏好什么？”“这个任务进展到哪一步了？”
适用场景	文档问答、知识库检索、资料查询	个性化助手、长期客户服务、数字员工、跨会话任务协作
与 Agent 的关系	为 Agent 补充外部知识	为 Agent 提供长期记忆和上下文连续性

RAG 和长期记忆服务不是替代关系，而是互补关系：RAG 帮助 Agent 获取外部知识，长期记忆服务帮助 Agent 记住用户、任务和业务过程中的长期上下文。在实际应用中，两者可以组合使用：通过 RAG 查询知识，通过长期记忆服务保留用户偏好、任务状态和历史交互结果，从而提升 Agent 的连续服务能力和个性化体验。

三、Agent 记忆服务 DuMemory 是什么

DuMemory 是面向 AI Agent 的云端长期记忆服务，致力于为 Agent 构建一个类人脑的“记忆大脑”，让 Agent 不只是被动响应问题，而是能够在长期交互中持续记住、理解、反思和进化。

人脑的记忆并不是简单存储信息，而是会在经历中沉淀经验，在回忆中建立关联，在反思中修正认知。DuMemory 借鉴这一机制，将 Agent 交互过程中产生的用户偏好、任务背景、业务事实、历史结论和行为反馈，持续沉淀为可召回、可更新、可反思的长期记忆。基于这些记忆，Agent 能够更好地理解上下文、延续任务过程，并在一次次服务中形成更稳定的用户认知和业务经验。

DuMemory 提供云端托管、开箱即用的记忆存储、检索、反思和管理能力，支持通过 API、SDK、MCP、插件等方式快速接入各类 Agent 应用。无需从零构建复杂的记忆系统，即可注入长期记忆能力。

通过 DuMemory，Agent 将从“每次重新开始”的工具，进化为能够持续积累经验、主动反思历史、不断优化服务表现的智能体，在长期使用中越用越懂用户、越用越懂任务、越用越懂业务。

四、DuMemory 核心能力及其价值

DuMemory 围绕“写入、召回、反思、沉淀、治理、接入”构建完整的长期记忆能力，让 Agent 能够持续积累上下文、理解用户和任务，并在长期服务中不断优化表现。

核心能力	能力说明	价值
记忆写入 Retain	将对话、文档、会议纪要、工单记录、任务过程等有效交互写入记忆库，并从中沉淀长期有效的事实、偏好、关系和时间线索。	让用户经验、项目决策、用户偏好和任务结论不随会话结束而丢失；支持通过文档 ID 持续更新同一份会话、工单或文档；可通过标签标记用户、项目、团队或主题范围，便于后续检索与隔离。
记忆召回 Recall	根据当前问题或任务描述，从长期记忆中查找相关上下文，结合语义、关键词、关系和时间等信息，帮助 Agent 在回答前“想起”相关历史。	用户无需反复说明背景；Agent 能延续已完成和未完成的任务步骤；多用户、多项目场景下可通过标签和严格匹配控制召回范围，并按任务复杂度选择合适的检索强度。
反思 Reflect	基于已有记忆生成综合性回答，适合回答“客户最关心什么”“项目有哪些风险”“用户稳定偏好是什么”等需要总结和判断的问题。	适合客户画像、项目状态、团队共识、风险识别等综合场景；可通过提示词、硬性规则和性格设置调整回答方向；支持结构化结果输出。Recall 更适合找证据，Reflect 更适合做总结。
心智模型	将高频综合问题预先整理为可复用的长期认知，例如用户技术画像、项目当前状态、客户沟通偏好等。	高频总结问题可获得更稳定的回答；多 Agent 可复用同一份长期认知；适合边界清晰、反复使用、需要长期维护的综合主题。重要审计场景仍建议回到 Recall 和来源证据。
记忆隔离与管理	记忆库是独立的记忆存储和管理容器，可按用户、项目、团队或业务空间划分；标签用于进一步标记用户、项目、团队、主题等范围。	让不同用户、项目或业务空间之间边界清晰；多 Agent 协作时可共享必要上下文，同时避免无关信息混入；在多用户共享记忆库时，可通过严格标签匹配降低串数据风险。
多种接入方式	支持 API、SDK、MCP、OpenClaw 插件、Skill 等接入方式，适配不同 Agent 类型、技术栈和业务系统。	现有 Agent 可通过 MCP 快速接入；OpenClaw 可通过插件自动 retain/recall；复杂业务流程可使用 REST API 精确控制；Go 后端可使用 SDK；编程类 Agent 可通过 Skill 控制记忆调用行为。