⭐ Memory 记忆系统

Memory 让 Agent 能够跨任务和跨执行保留信息，从经验中学习，做出更连贯、更有上下文感的决策。

1. 三种记忆类型

类型	生命周期	存储	用途
Short-term	当前执行	内存	跨任务共享近期上下文
Long-term	跨执行持久化	LanceDB	从历史经验中学习
Entity	跨执行持久化	LanceDB	结构化记忆（人物、概念等）

前端类比：Short-term Memory 类似 sessionStorage（页面关闭即消失）；Long-term Memory 类似 localStorage（跨会话持久化）；Entity Memory 类似 IndexedDB（结构化存储，可按实体查询）。

CrewAI 原生语义：记忆系统基于向量嵌入（Embeddings）实现语义检索，Agent 在执行任务时会自动从记忆中检索相关信息，注入到上下文中增强决策。

2. Crew 级别记忆

2.1 基础启用

from crewai import Crew

crew = Crew(
    agents=[researcher, analyst],
    tasks=[research_task, analysis_task],
    memory=True,  # 启用所有记忆类型
    verbose=True
)

2.2 自定义 Embedder

crew = Crew(
    agents=[researcher, analyst],
    tasks=[research_task, analysis_task],
    memory=True,
    embedder={
        "provider": "openai",
        "config": {
            "model": "text-embedding-3-small"
            # API key 自动从环境变量加载
        }
    }
)

支持的 Embedder 提供商：

提供商	provider	配置
OpenAI	"openai"	model: "text-embedding-3-small"
Google	"google"	model: "models/text-embedding-004"
Cohere	"cohere"	model: "embed-english-v3.0"
Ollama	"ollama"	model: "nomic-embed-text", url: "http://localhost:11434"

2.3 使用 Google / Ollama Embedder 示例

# Google
crew = Crew(
    memory=True,
    embedder={
        "provider": "google",
        "config": {
            "model": "models/text-embedding-004"
        }
    }
)

# Ollama（本地）
crew = Crew(
    memory=True,
    embedder={
        "provider": "ollama",
        "config": {
            "model": "nomic-embed-text",
            "url": "http://localhost:11434"
        }
    }
)

3. Flow 级别记忆

Flow 提供了更便捷的记忆 API：

from crewai.flow.flow import Flow, start, listen

class SmartFlow(Flow):
    @start()
    def collect_preferences(self):
        # 存储记忆
        self.remember(
            "用户偏好使用中文回复",
            scope="user_preferences",
            categories=["language"],
            importance=0.9
        )

        self.remember(
            "用户对 AI Agent 技术感兴趣",
            scope="user_interests",
            categories=["tech"],
            importance=0.8
        )
        return "偏好已记录"

    @listen(collect_preferences)
    def use_preferences(self, _):
        # 检索记忆
        prefs = self.recall(
            "用户的语言偏好是什么？",
            scope="user_preferences",
            limit=3
        )
        print(f"检索到的偏好: {prefs}")

        # 提取记忆：将长文本拆解为独立记忆片段
        long_text = "用户是前端开发者，使用 React 和 TypeScript，对 Python AI 工具链感兴趣。"
        memories = self.extract_memories(long_text)
        for mem in memories:
            self.remember(mem, scope="user_profile")

3.1 Flow 记忆 API

方法	参数	说明
self.remember(content, **kwargs)	scope, categories, metadata, importance	存储记忆
self.recall(query, **kwargs)	scope, categories, limit, depth	语义检索记忆
self.extract_memories(content)	—	将文本拆解为离散记忆语句

4. 记忆的工作原理

1. 任务执行时：Agent 完成任务后，CrewAI 自动将执行上下文存储到短期记忆
2. 下个任务开始时：Agent 从短期记忆中检索相关信息，注入上下文
3. Crew 执行结束后：关键信息被持久化到长期记忆
4. 下次执行时：Agent 能从长期记忆中检索历史经验

5. 最佳实践

• 原型阶段：memory=True 即可，使用默认 OpenAI embedder
• 生产环境：指定 embedder provider 和模型，确保一致性
• 本地开发：使用 Ollama embedder 避免 API 成本
• 敏感数据：注意记忆会持久化到磁盘，需考虑数据安全

---

先修：Crews 团队编排 | Flows 工作流

下一步：

• Knowledge 知识库 — 为 Agent 注入领域知识
• Collaboration 协作与委托 — Agent 间的协作机制

参考：

• 🔗 CrewAI Memory (Official)