长期记忆（Long-Term Memory） 上下文与记忆

它是什么

长期记忆（Long-Term Memory）是跨会话存在的事实/经验库。它不可能是「把每轮对话原样塞进去」——那会让检索变成大海捞针，还会把过期信息当成现状。它必须有选择地写入、按需地召回：写入时提取值得记住的片段，embed 成向量、连同原文与元数据一起落库；召回时把查询 embed，在库里找最相似的若干条，注入当前上下文。

向量是索引，原文必须落盘

一个容易混的点：向量不是记忆，向量是记忆的索引。检索返回的是 score，但注入进上下文、模型真正读到的是 text 原文——原文必须持久化。所以长期记忆 = 检索层（第 11 章）+ 持久层（第 10 章）：第 10 章解决「对话可回放」（session/message/event 落盘），第 11 章解决「跨会话可召回」（事实 + 向量 + 元数据落盘），两者共享同一套持久化基础设施。

写入时机比检索更关键

「不写什么，和写什么同等重要」：全量写入 → 检索噪声化，错塞一条过期记忆比少塞一条更糟。第 11 章把写入决策抽象成纯函数（信号关键词命中 / 会话长度阈值），决策可测试；真实系统还会做更新（用户改主意时旧条目作废）、去重与元数据加权。学术与工程上的分层记忆设计（上下文窗口 ↔ 外部存储分页管理）可参考 MemGPT 论文。