一个Agent在连续对话中表现出的稳定偏好、决策风格和行为边界，本质上是记忆持续作用的结果。身份并不是系统提示词里写死的几句话，而是Agent在时间轴上不断积累、筛选和重组信息之后形成的动态结构。理解记忆如何塑造身份，需要从记忆的分类、检索和更新三个层面展开。

从上下文到持久状态：记忆是身份的原料

Agent的身份首先来自它能够记住什么。短期记忆或工作记忆只存在于单次会话的上下文窗口内，会话结束就消失，这类信息对身份几乎不产生持续影响。真正塑造身份的是持久化记忆，它跨会话存储，并在后续交互中被反复调用。工程上通常把持久记忆分为三类：情景记忆保存具体交互事件，语义记忆保存抽象事实与用户偏好，程序记忆保存完成任务的方法和策略。这三类记忆共同决定了Agent在面对相似场景时能否表现出稳定且可预测的行为。

身份需要从原始交互数据中提炼而来。原始日志不是记忆，只有经过抽取、结构化、摘要之后的信息才能成为身份构件。举个例子，用户连续三次要求把报告导出为PDF，原始日志里只是三次相似的指令，而语义记忆会提炼出用户偏好PDF格式这一稳定事实。这个偏好一旦写入记忆，就会在后续任何涉及导出的任务中影响Agent的默认行为，这就是身份开始显现的时刻。

下面的Python代码展示一个记忆抽象层，它区分情景和语义两种存储，并提供写入与检索接口。这种分层是身份构建的第一步。

class MemoryStore:
    def __init__(self):
        self.episodic = []
        self.semantic = {}
    def add_episode(self, event):
        self.episodic.append(event)
    def add_semantic_fact(self, key, value):
        self.semantic[key] = value
    def get_identity_clues(self):
        return {
            "preferences": self.semantic,
            "recent_events": self.episodic[-5:]
        }

这段代码虽然简单，但已经体现了身份构建的核心原则：情景记忆提供时间上下文，语义记忆提供稳定偏好。实际系统中两者还会通过向量化和摘要进一步压缩，以控制存储规模并提升检索效率。

检索策略决定身份一致性：避免人格分裂

记忆被写入只是第一步，能否在合适的时间检索到合适的记忆，直接决定Agent的身份是否一致。如果Agent每次都只能访问随机切片，它给出的回答就会前后矛盾，表现为身份漂移。稳定身份要求检索结果不仅要相关，还要与当前任务、用户身份和历史决策倾向保持一致。

常见的检索策略包括关键词匹配、向量相似度检索和基于时间衰减的加权。关键词匹配适合精确事实，比如用户所在城市；向量相似度适合模糊语义关联，比如从之前讨论过的项目风格推断用户审美；时间衰减则让较新的记忆获得更高权重，避免Agent被陈旧信息过度约束。一个常见的误区是只依赖向量相似度而忽略时间与重要性维度，这会导致Agent反复提起很久以前但语义相似的事件，破坏当前对话的连贯性。

下面的代码示例演示如何结合向量相似度和时间衰减来排序记忆。实际生产环境中，向量通常由嵌入模型生成，time_weight则根据记忆年龄计算。

import math
def score_memory(memory, query_embedding, current_time):
    similarity = cosine_similarity(memory.embedding, query_embedding)
    age_hours = (current_time - memory.timestamp) / 3600
    time_weight = math.exp(-age_hours / 72)
    importance_weight = memory.importance
    return similarity * 0.5 + time_weight * 0.3 + importance_weight * 0.2
def retrieve_top_memories(memories, query_embedding, current_time, k=5):
    scored = sorted(
        memories,
        key=lambda m: score_memory(m, query_embedding, current_time),
        reverse=True
    )
    return scored[:k]

从身份稳定性角度看，检索不能只追求单一记忆的最高相似度，而需要维护一个记忆集合的一致性。比如Agent已经知道用户是素食者，那么在推荐餐厅时，与用户之前点过牛排的旧记忆就不应该被单独高权重召回，否则会产生身份矛盾。实践中可以通过记忆冲突检测，在写入阶段标记冲突事实，并在检索后由模型根据最新语义重新裁决。

身份一致性的另一个层面是同一个概念在不同记忆中的表述差异。例如一次交互记录了用户喜欢简洁风格，另一次记录了用户偏好极简主义。如果检索时两者都返回，模型可能误判为两个独立偏好。通过语义合并或实体归一化，可以把这些表述指向同一个身份维度，降低内在矛盾。

记忆更新与身份演化：在稳定与变化之间

身份不是一成不变的，用户的偏好会变化，Agent自身的能力边界也会随着任务经验扩展。记忆更新机制决定了身份如何演化：过于激进的更新会让Agent失去历史稳定性，表现为朝令夕改；过于保守的更新则会让身份僵化，无法适应用户的新需求。合理的更新策略通常包含写入、强化、衰减和反思四个动作。

写入是对新事实的直接记录，强化会增加高频重要记忆的权重，衰减让长期未被提及的记忆逐渐降低影响，反思则从多条情景记忆中归纳出更高层次的语义规则。反思是身份演化的关键一步，因为它能够把零散的事件沉淀为稳定的自我认知或用户画像。例如从用户多次凌晨提交代码这一系列情景中，反思机制可以提取出用户常在深夜工作这一模式，未来Agent在这个时段会主动降低通知频率。

下面是一个简化版的反思更新流程，它批量读取近期情景，生成摘要并更新语义记忆。现实实现中，摘要通常由大模型完成，这里用伪函数表示。

def reflect_and_update(episodes, semantic_memory):
    if len(episodes) < 10:
        return semantic_memory
    summary = summarize_patterns(episodes)
    for key, value in summary.items():
        if key in semantic_memory:
            semantic_memory[key] = merge_values(semantic_memory[key], value)
        else:
            semantic_memory[key] = value
    return semantic_memory

需要注意的是，身份演化必须防止灾难性遗忘。当Agent大量更新语义记忆时，旧的关键偏好可能被覆盖或稀释。工程上可以通过版本控制、变更日志和可回滚机制来保留身份的历史快照。每次重大更新前，可以生成身份摘要并比较更新前后的差异，当差异超过阈值时触发人工审核或延迟生效。

身份漂移的另一种风险来自过度反思。如果把个别偶发事件误归纳为长期规律，例如用户某次提到喜欢蓝色，就被写入语义记忆并要求后续所有推荐都优先蓝色，Agent的身份就会变得脆弱且失真。因此反思机制需要结合出现频率、时间跨度和上下文显著性，不能仅凭单次事件就改变身份状态。

记忆层与身份层的解耦：工程落地的边界

在复杂Agent系统中，把记忆层和身份层耦合在一起会导致维护困难。记忆层负责存储、检索和更新原始信息，身份层负责基于这些信息推理出当前应该表现出什么样的稳定特质。两者解耦后，身份层可以独立调整推理策略，而不必频繁修改底层记忆数据结构。

一个常见的设计是把身份定义为记忆的投影函数。身份不是独立存储的对象，而是每次决策时根据检索到的记忆动态生成的上下文。这样做的好处是身份可以随着检索范围变化而自然适应不同场景，同时记忆本身保持客观记录。缺点是投影过程需要消耗推理资源，且可能产生不一致。另一种设计是维护一份显式身份画像，由记忆更新流程定期刷新，这能保证稳定性，但灵活性稍差。

无论采用哪种方式，身份层都需要明确的边界。不属于记忆的内容包括瞬时情绪、无关闲聊和一次性任务指令，这些信息不应进入长期身份。边界不清会让Agent把噪声当作自我认知，导致身份模糊。实际开发中可以在写入前增加过滤策略，只允许用户明确表达或多次重复的偏好进入语义记忆，从而保持身份画像的清晰度。

最终，记忆塑造Agent身份的过程可以概括为：从原始交互中提取持久事实，通过检索策略维持上下文一致性，借助更新机制实现有约束的演化，并在架构上将记忆与身份解耦以保持可维护性。这个过程中的每个决策都会影响Agent最终表现出的性格和可靠性。