Agent Memory 架構全景：從規則、召回到技能沉澱
這篇文章的核心提醒是：Agent Memory 早就不只是「把聊天記錄存起來」。真正可用的 memory，要把常駐規則、身份画像、歷史召回、證據鏈、反思與技能沉澱分開治理。
它不是「記得更多」，而是「知道什麼該常駐、什麼該召回」
公開可驗證的文章預覽指出，WquGuru 是從 OpenClaw 的 MEMORY.md 開始思考，並把 Agent Memory 拆成規則、画像、歷史、證據、反思與技能沉澱。這個拆法的價值在於：memory 不再是一個模糊的資料夾，而是一套可討論的載入時機與治理邏輯。
對日常使用 agent 的人來說，這比「把所有歷史塞進上下文」更務實。長上下文可以承接目前任務，但跨任務的偏好、工作規則、決策依據與可重用方法，需要被分層存放、按需取用，並且能被修訂。
長上下文處理當下
它適合放目前任務的材料、正在看的檔案與短期推理脈絡，但不應承擔所有長期記憶。
Memory 累積跨任務經驗
它保存穩定規則、偏好、歷史依據與做法，讓 agent 下一次不必從零開始。
治理比存量更重要
記憶如果沒有分層、來源與更新規則，很快就會變成錯誤偏好和過期結論的集合。
把 Agent Memory 拆成六層，系統才知道怎麼載入
依公開索引能看到的文章主線，這篇的重點是分層：哪些記憶要像憲法一樣常駐，哪些只在需要時搜尋，哪些必須連同證據一起保存，哪些則應該沉澱為之後可重用的技能。
規則記憶：Agent 的工作憲法
例如 CLAUDE.md、Codex instructions 或專案規範。這類記憶應該短、穩、可審查，決定 agent 永遠要遵守的邊界。
画像記憶：角色、偏好與穩定身份
這層回答「agent 應該以什麼身份、帶著哪些穩定偏好繼續工作」。它不該記錄所有事件，而是保存相對長期的人與工作風格。
歷史召回：大多數記憶不該常駐
過往任務、討論、文件和決策多半應該進入可搜尋的歷史層。平常不佔上下文，需要時再透過關鍵字、向量或結構化索引召回。
證據鏈與狀態治理：記住憑什麼
只記結論不夠，agent 還要知道這個結論來自哪個來源、什麼時間、哪些假設，以及目前是否仍有效。
反思記憶：從失敗抽取可重用教訓
任務結束後，系統應把失敗點、修正方式與下次檢查項目萃取出來，而不是把整段對話原封不動保存。
技能沉澱：把經驗變成可執行流程
當某類工作反覆出現，memory 的終點不只是「記得」，而是變成 Skill、runbook、檢查表或模板，讓之後的 agent 能穩定重做。
常駐、召回、歸檔、沉澱，是四個不同決策
Agent Memory 的設計難點，不在於有沒有資料庫，而在於每一種資訊要放在哪一層。規則適合常駐，歷史適合檢索，原始材料適合歸檔，經過驗證的工作方法才值得沉澱成技能。
如果全部塞進同一個 memory
- 過期偏好會污染新任務
- 歷史細節佔掉寶貴上下文
- 結論缺少來源，很難判斷能不能信
- 失敗經驗停留在聊天紀錄，無法變成流程
如果分層治理
- 規則精簡常駐，降低行為漂移
- 歷史按需召回，降低上下文成本
- 結論保留證據，方便更新與撤回
- 反覆成功的方法會升級成 Skill
做 Agent Memory 時，可以先用這四條規則降風險
這篇文章可延伸成一組實務檢查：不要把 memory 當成魔法，而要把它當成會影響 agent 行為的生產資料。只要它會被自動載入，就需要版本、來源、範圍與退場機制。
最後要記住的不是「Agent 要有記憶」，而是「記憶要有架構」
- 1長上下文和 memory 是互補關係：前者處理任務現場，後者累積跨任務復利。
- 2Agent Memory 至少要分清規則、画像、歷史、證據、反思與技能，否則很快會變成雜訊倉庫。
- 3最終成熟的 memory，不只是讓 agent 記得更多，而是讓它能更穩定、更可追溯、更能把經驗轉成可重用能力。