Agent 长短期记忆工程

智能体记忆工程 (Agent Memory Architecture) 是为无状态 LLM 赋予跨会话、跨时间维度的个性化认知、技能沉淀与上下文持久化能力的存储体系；系统将记忆划分为三层协同结构：1) 感知工作记忆 (Working / Short-term Memory: 当前 Context Window 内的多轮消息与滑动摘要)；2) 长期情境与实体记忆 (Long-term Episodic & Entity Memory: 基于向量数据库与知识图谱，通过实体提取与时序元数据检索历史事实，如 Mem0, Zep)；3) 过程技能记忆 (Procedural Memory: 固化保存的高效代码模板、工具使用经验与 Reflexion 反思规则)。

长期伴随式个性化 AI 助手、持续演进的自治开发 Agent (Claude Code / Open-Devin)、以及跨越数月项目的企业级顾问系统。

传统大模型窗口关闭即“失忆”，且无限扩大的对话历史会迅速突破 Context 上限并造成注意力严重涣散；记忆工程实现了记忆的动态提取、更新衰减、冲突消解与精准按需召回。

详细剖析 Mem0 框架中基于 LLM 动态提取用户偏好、更新已有事实 (Memory Update) 与删除过期冲突事实 (Memory Invalidation) 的工作流？

短期工作记忆的滑动窗口 (Sliding Window) 与基于 LLM 异步压缩的增量摘要生成 (Incremental Conversation Summary) 架构？

情境记忆 (Episodic Memory) 的三维混合检索机制：向量语义相似度 + 时间衰减系数 (Time Decay) + 重要性权重 (Importance Score)？

程序记忆 (Procedural Memory) 如何通过将成功执行的 Python 函数代码持久化到工具库中实现 Agent 的自我技能扩展 (Skill Accumulation)？

在严格遵循 GDPR / CCPA 隐私合规体系下，如何实现用户遗忘权 (Right to be Forgotten) 在向量记忆库中的精准硬删除？