外观
Agent 的 Memory 与 Context 有什么区别？
3 分钟速学卡
30 秒口述： Context 是本轮模型调用真正可见的有限输入，包括指令、消息、工具结果和检索证据；Memory 是跨步骤或跨会话保存、未来可能被检索进 Context 的状态与信息。Memory 不等于把全部历史永久塞进窗口，它需要写入条件、结构化存储、检索、压缩、过期、纠错与权限控制。工程上应先定义任务状态、用户偏好和知识证据的不同事实源，再按当前任务选择最小充分 Context，并记录每条内容为何进入。
- 本质： Memory 是可被未来使用的长期信息，Context 是本轮经过治理后真正可见的有限输入。
- 核心机制： 不同记忆类型需要不同事实源；写入比检索更需要克制。
- 关键判断： 注入前检查权限、时效、相关性；Context 追求最小充分而不是无限堆积。
- 项目落地： 故障演练：用户更改语言偏好后，旧偏好仍被相似度检索回来。止损是以结构化最新偏好覆盖，长期加入版本、有效期、删除传播和冲突规则。
- 边界与坑： “聊天历史就是 Memory。” 历史只是候选来源之一；“窗口够大就不需要 Memory。” 长期状态、权限、更新和成本问题仍存在。
目录
面试官为什么问
这道题考察状态生命周期、上下文预算、信息治理和隐私边界。
小白先看懂
厨师的档案柜保存长期食谱和顾客过敏信息，这是 Memory；今天做菜时摆在台面上的订单、食材和选出的食谱，是 Context。档案柜很大，但台面有限，且过期偏好不能继续使用。
专业上 Memory 需经过检索和权限过滤才能进入 Context。类比边界是模型窗口还包含系统指令、工具 Schema 等非“记忆”内容。
主题教学图片
图：教学图片｜Agent 的 Memory 与 Context 有什么区别？
替代文本： 围绕“Agent 的 Memory 与 Context 有什么区别？”组织的中文教学图，通过分区、箭头和标签解释核心机制。
读图结论： Memory 保存候选信息；Context 只放本轮最小充分内容。
这张图片用于建立主题机制的直觉。精确公式、参数、失败分支和事实边界仍以正文与 Mermaid 为准。
图片生成记录： model=gpt-image-2，generated=2026-07-15，prompt_version=v1，reviewed=2026-07-16，review_basis=user-confirmed；查看生成 Prompt。
图：架构｜长期 Memory 与单次 Context
替代文本： 用户偏好、任务状态和历史证据存入不同记忆库，经检索、权限、时效和预算筛选后进入本轮上下文窗口。
图表加载中…
读图结论： Memory 是候选长期信息，Context 是经过筛选后本轮真正给模型看的内容。
任务状态、偏好和知识不应混在一个无类型向量库中；它们的更新、冲突和过期策略不同。
核心原理
Memory 生命周期包含写入、索引、检索、注入、更新、删除和审计。Context Engineering 还要安排顺序、压缩、来源与冲突处理，目标是“最小充分”，而非“越多越好”。
项目和生产视角
故障演练： 用户更改语言偏好后，旧偏好仍被相似度检索回来。止损是以结构化最新偏好覆盖，长期加入版本、有效期、删除传播和冲突规则；这是演练。
常见错误回答
- “聊天历史就是 Memory。” 历史只是候选来源之一。
- “窗口够大就不需要 Memory。” 长期状态、权限、更新和成本问题仍存在。
- “所有对话都写入向量库。” 会累积噪声、隐私和过期事实。
递进追问
- 哪些信息值得写入长期 Memory？
- 如何处理偏好冲突和删除请求？
- Context 压缩怎样避免丢关键事实？
- 如何追踪某条 Memory 为何被注入？
关联阅读
总结
一句话记忆： Memory 是可被未来使用的长期信息，Context 是本轮经过治理后真正可见的有限输入。
- 不同记忆类型需要不同事实源；
- 写入比检索更需要克制；
- 注入前检查权限、时效、相关性；
- Context 追求最小充分而不是无限堆积。