4.1 Agent Memory 与状态管理

4.1 Agent Memory 与状态管理

本节约处在第四章第一站。没有记忆的多智能体，每跑一个新任务都像失忆重启：前面刚定好的口径、刚查到的背景，下一步全忘。CrewAI 把记忆拆成三种，对应三种不同的"记住什么"。先画清楚三者存什么，才不会被一个 memory=True 误导。

三种记忆的职责边界：

三种记忆的职责边界：

• 短期记忆（ShortTermMemory）：保存本次 Crew 运行期间的对话与步骤，让同一次运行里的后续任务能看到前面发生了什么。开 memory=True 即默认启用。
• 长期记忆（LongTermMemory）：跨多次运行沉淀经验，比如"用户偏好某种报告格式"，下次直接复用。需要存储后端。
• 实体记忆（EntityMemory）：从文本里抽取出的人名、机构、项目等实体及其属性，保证同一实体在多处表述一致。

最基础的开启方式，给 Agent

最基础的开启方式，给 Agent 和 Crew 都打开 memory：

from crewai import Agent, Task, Crew, Process

analyst = Agent(
    role="分析师",
    goal="跨任务保持口径一致",
    backstory="严谨",
    memory=True,       # 开启短期记忆
    verbose=True,
)

t1 = Task(description="确定 {topic} 的分析口径", expected_output="口径说明", agent=analyst)
t2 = Task(description="按口径写分析报告", expected_output="报告", agent=analyst, context=[t1])

crew = Crew(agents=[analyst], tasks=[t1, t2], process=Process.sequential, memory=True)
# 4.1 Agent Memory 与状态管理
​

这里 t2 借助短期记忆知道 t1 定的口径，不用你再把口径文本塞进 context。但注意：短期记忆只在"同一次 kickoff"内有效，两次独立 kickoff 之间不共享。需要跨运行记忆，得上长期记忆后端。

接长期与实体记忆，需要指定存储与嵌入。下面给一个指向向量库的写法（后端名按你实际部署填）：

from crewai import Agent, Crew
from crewai.memory.long_term.long_term_memory import LongTermMemory
from crewai.memory.storage.rag_storage import RAGStorage

# 长期记忆后端：用向量库存经验
ltm = LongTermMemory(
    storage=RAGStorage(embedder_config={"provider": "openai"}, type="long_term"),
)

agent = Agent(
    role="分析师",
    goal="积累并复用经验",
    backstory="严谨",
    memory=True,
    long_term_memory=ltm,   # 注入长期记忆
    verbose=True,
)
​

这种写法让 Agent 在多次运行间记住"用户要短句""数据要带来源"等偏好。我们提醒：长期记忆是把双刃剑——它也会记住错误信息并复用。所以后端要能审计、能清空，别让过时经验默默污染新任务。

实体记忆对"同一对象多任务引用"的场景特别有用，比如调研报告里反复提到某公司，实体记忆保证每次提到的属性不矛盾：

from crewai.memory.entity.entity_memory import EntityMemory
from crewai.memory.storage.rag_storage import RAGStorage

em = EntityMemory(storage=RAGStorage(embedder_config={"provider": "openai"}, type="entity"))

agent = Agent(role="研究员", goal="保持一致表述", backstory="细致",
              memory=True, entity_memory=em, verbose=True)
​

工程取舍上我们给三条：第一，短期记忆默认开，几乎无副作用；第二，长期记忆只在"确有跨运行复用价值"时开，且后端要可控；第三，实体记忆在涉及多对象、长文本时开，短任务没必要。

一个常见误区是把记忆当"万能补丁"，以为开了就不需要 context。不是。context 是显式、确定的数据通路，记忆是隐式、概率的缓存。关键链路永远用 context 钉死，记忆只用来补那些"说不清该传给谁"的软上下文。

收尾提醒：状态管理的本质是"让系

收尾提醒：状态管理的本质是"让系统在时间维度上连续"。短期记忆解决一次运行内的连续，长期/实体解决跨运行的连续。第四章后面的持久化（4.5）则解决"运行中断后怎么续"，三者层次不同，别混为一谈。

Memory 让 Agent 跨任务记住上下文

CrewAI 的 memory 分几类：短期记忆（本轮对话）、长期记忆（跨会话）、实体记忆（抽取的关键事实）。开启后 Agent 能引用之前任务里出现过的对象，适合多轮递进的分析。

⚠️ 常见坑：开了 memory 却没配 embedder，启动会报嵌入模型缺失。另一个坑是长期记忆不加清理，跑久了存了一堆过期事实，反而误导 Agent。我们按会话维度定期重置。

from crewai import Agent, Crew, Process
from crewai.llm import LLM

llm = LLM(model="gpt-4o-mini", temperature=0.2)

agent = Agent(role="顾问", goal="持续服务同一客户",
              backstory="记得客户偏好", llm=llm, verbose=True,
              memory=True)   # 开启记忆

crew = Crew(agents=[agent], tasks=[], process=Process.sequential,
            memory=True, embedder={"provider": "openai"})  # 需配 embedder
print(agent.memory is not None)
​

💡 关键直觉：记忆是"经验"，不是"缓存"。它让 Agent 第二趟活儿比第一趟更顺，但经验会过期。把记忆当成会生锈的零件，定期保养（清理/重置）比一直开着更重要。

# 多轮递进：第二轮能引用第一轮抽出的实体
facts = ["客户偏好保守型投资"]
agent.memory = True
print("记忆开关:", agent.memory)
​