这两年工业圈谈AI Agent的越来越多,但真正跑在生产现场的人会发现一个尴尬:很多智能体第一次对话表现不错,第二轮就忘了上下文,换个班次连昨天处理过的异常都接不上。问题往往不在模型本身,而在记忆机制没设计好。
一、核心概念与定义
AI Agent的记忆机制,指的是智能体在运行过程中对信息进行编码、存储、检索和遗忘的一整套设计。它不同于大模型自身的上下文窗口,上下文窗口是临时的、有长度上限的,而记忆机制是跨会话、可持久化的。
业界通常把Agent记忆分成几层:短期记忆对应单次任务内的上下文,比如一次设备诊断对话中的中间结论;长期记忆则落在外部存储里,包括向量数据库、结构化数据库、知识图谱;还有一类叫情景记忆,记录的是“某时某地发生过什么”,对制造业尤其关键,因为产线异常往往要看历史相似场景。
需要区分的是,记忆不等于知识库。知识库是静态的文档集合,记忆是动态的、随交互不断更新的状态。一个只有知识库没有记忆的Agent,本质上还是个高级检索器。
二、技术原理与关键能力
具体来说,记忆机制要解决四个动作:写入、组织、召回、遗忘。
写入环节,难点在于判断什么值得记。生产现场信息密度高,如果每句话都存,很快就会被噪声淹没。常见做法是用一个轻量模型做重要性打分,把工艺参数变更、异常处置结论、人员交接事项标为高优先级。
组织环节,主流方案是向量化存储加元数据标签。文本切片后转成向量,同时打上时间、设备编号、工单号、班组等标签。这样召回时可以先用标签做硬过滤,再做语义相似度匹配,比纯向量检索准得多。
召回环节最考验设计。从实践来看,单一相似度检索容易召回“看起来像但没用”的内容。比较好的做法是混合检索:语义相似度加关键词匹配加时间衰减加权,近期记忆权重更高。假设一家汽配企业的压铸单元频繁报警,Agent召回时应优先取最近三天的同类报警处置记录,而不是半年前一条语义相近但设备不同的记录。
遗忘机制常被忽略,但它直接关系到成本和安全。过期的工作票信息、临时参数调整,该清理就清理;涉及工艺配方的内容则要长期保留并做版本管理。业界一些方案会设置记忆的生存周期和置信度衰减,低置信度的记忆逐步降权而非直接删除。
三、制造业应用场景
假设某电子厂的SMT产线,Agent负责协助设备工程师处理贴片机抛料异常。有记忆机制的情况下,它能记住上周同一台设备换过供料器、当时调整过取料高度,这次报警时直接提示“先复查该供料器”。没有记忆,工程师每次都要从头描述背景。
再假设一家汽配企业的质量追溯场景。客户投诉某批次尺寸超差,Agent需要串起原料批次、加工参数、检验记录、返修历史。记忆机制在这里承担的是跨工单的关联能力,把散落在MES、QMS里的信息按产品和时间线组织成可召回的情景记忆。
还有一个典型场景是交接班。三班倒的工厂里,白班处理的异常如果没被记录,夜班等于从零开始。带记忆的Agent可以生成结构化的交接摘要,把未闭环事项、临时措施、待观察参数列清楚,这比人工写交接本可靠得多。
四、选型与实施建议
落地时先想清楚记忆的边界。不是所有信息都该进长期记忆,工艺文件、安全规程这类相对稳定的内容放知识库,运行态的判断和结论才进记忆层。
存储选型上,向量库适合非结构化文本,设备时序数据、工单状态这类还是走关系型数据库更稳。混合架构在工业场景里更现实,别指望一个向量库包打天下。
还要关注记忆的可解释性。生产环境里,Agent给出建议时必须能说清“依据哪条记忆”,否则工程师不敢用。设计上应支持记忆溯源,召回结果带来源标识和时间戳。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商经验看,制造企业上Agent记忆机制,最好从单一高频场景切入,比如设备异常处置或质量追溯,跑顺了再横向扩展。一上来就做全厂记忆中台,往往因为数据治理没到位而搁浅。
五、趋势展望
第一个方向是记忆的分层标准化。业界在推动把工作记忆、情景记忆、语义记忆做成可插拔模块,换模型不用重做记忆层。
第二个方向是记忆与工艺知识的融合。单纯记对话不够,未来Agent的记忆会更多绑定工艺参数、设备BOM、质量规则,形成带工程语义的记忆图谱。
第三个方向是边缘侧记忆。产线设备产生的数据量太大,全部上云不现实,轻量级记忆在边缘网关本地留存和召回,会成为实时控制场景的标配。
回到开头那个问题:AI Agent在工业现场能不能站住脚,记忆机制是分水岭。模型能力趋同的当下,谁把记忆设计得更贴合生产逻辑,谁的智能体才真正留得下来。