智能体记忆的分层架构是怎样的？

2026 年的生产级智能体普遍采用分层记忆架构，在速度、容量和持久性之间取得平衡。一种典型的四层实现为：

1. L0 原始对话层

存储未经处理的原始对话记录，作为所有后续提炼的可回溯基础。保留原始记录的意义在于防止摘要漂移——当需要时可以从源头重新总结，而非基于已有摘要的摘要。

2. L1 原子记忆层

将原始对话中的关键事实提取为独立的原子单元，每条记忆聚焦一个可验证的事实或决策。这一层是语义记忆的主要来源。

3. L2 场景归纳层

将多个相关原子记忆归纳为场景级理解，如"用户在数据分析任务中偏好 Python 和 Jupyter 环境"。这一层连接了具体事实与更抽象的用户模型。

4. L3 用户画像层

形成对用户的长期认知模型，包括稳定偏好、工作领域、协作模式等。L3 是最高抽象层级的记忆，直接影响智能体的全局行为策略。