Memory 深入：历史、工作记忆和语义召回

问题场景

「记住上下文」不是一个单一能力。学习助手至少有三类记忆：

• 当前对话最近说了什么。
• 用户长期偏好和学习目标。
• 很久以前提过的相似问题。

如果只保留最近 20 条消息，长期偏好可能丢失；如果把所有消息都塞回上下文，成本和噪音会迅速上升。Mastra Memory 把这些需求拆成不同机制。

Memory 能力分层

能力	解决问题	适合内容
Message history	保留最近对话	当前线程里的问题、回答、工具结果
Working memory	保存持续有效的信息	用户偏好、学习目标、项目背景
Semantic recall	按语义找旧消息	很久以前讨论过的相似主题
Memory processors	控制进入上下文的内容	过滤、裁剪、优先级排序
Observational memory	长对话压缩为观察记录	长期运行的助手或客服

入门项目先用 message history；真正的学习助手可以逐步加入 working memory 和 semantic recall。

Message history：线程内连续性

Message history 依赖稳定的 resource 和 thread：

await agent.generate('我想 3 天学完 Tool', {
  memory: {
    resource: 'user-001',
    thread: 'mastra-course',
  },
})

resource 是归属，thread 是会话。官方文档提醒：一个 thread 的 owner 创建后不能随意改，避免把同一个 thread ID 给不同用户复用。

Working memory：长期用户画像

官方 Working Memory 文档说明，它可以用 Markdown template，也可以用 schema。默认 scope 是 resource，表示同一用户跨线程可见。

memory: new Memory({
  options: {
    workingMemory: {
      enabled: true,
      scope: 'resource',
      template: `
# Learner Profile
- Current Goal:
- Preferred Style:
- Known Topics:
- Weak Spots:
`,
    },
  },
})

使用 schema 时，工作记忆变成可验证 JSON：

const learnerProfileSchema = z.object({
  currentGoal: z.string().optional(),
  preferredStyle: z.string().optional(),
  knownTopics: z.array(z.string()).optional(),
  weakSpots: z.array(z.string()).optional(),
})

方式	优点	风险
Markdown template	易读，适合提示词上下文	程序难直接读取字段
schema	类型清楚，可供 UI/API 使用	需要设计字段和更新规则

Semantic recall：长历史语义检索

Semantic recall 本质上是对历史消息做 RAG。官方文档说明，启用后新消息会写入 vector DB，后续请求可以按语义找回相似历史。

memory: new Memory({
  storage: new LibSQLStore({ id: 'memory', url: 'file:./local.db' }),
  vector: new LibSQLVector({ id: 'vector', url: 'file:./local.db' }),
  embedder: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
  options: {
    semanticRecall: {
      topK: 3,
      messageRange: 2,
      scope: 'resource',
    },
  },
})

topK 决定找几条相似消息，messageRange 决定命中消息前后带多少上下文，scope 决定只查当前 thread 还是整个 resource。

Memory processors：防止上下文膨胀

Memory processors 用于筛选、裁剪或优先保留上下文。它们适合处理：

• 只保留最近 N 条重要消息。
• 去掉大附件或长代码块。
• 对敏感信息做过滤。
• 在上下文窗口有限时保留更相关的内容。

这和 Agent input processors 不冲突。Memory processors 关注「从存储取出的记忆如何进入上下文」，Agent processors 关注「用户输入和模型输出如何被处理」。

Study Agent 的推荐升级路线

阶段	增加能力	验证
当前版	lastMessages: 20	同一 thread 追问
第 1 次升级	working memory template	记住学习风格和目标
第 2 次升级	schema-based working memory	UI 能读取学习进度
第 3 次升级	semantic recall	跨 thread 找回相关学习经历
第 4 次升级	memory processors	长对话不爆上下文

Vibe coding 提示词

请为 Study Agent 设计 Memory 升级方案。
要求：
- 区分 message history、working memory、semantic recall。
- 给出 resource/thread 命名规则。
- working memory 先用 Markdown template，再说明何时换 schema。
- 不要把敏感信息写入长期记忆。
- 给出 5 条验证对话。
先输出设计表，不要直接改代码。

验证方式

测试	期望
同一 resource + thread 追问	能延续上一轮
同一 resource + 不同 thread	能读取 resource-scoped working memory
不同 resource	不能读取别人的偏好
很久前的问题	semantic recall 能找回相关历史
用户要求删除偏好	working memory 更新或清空

常见错误

错误	后果	修复
把所有长期信息放 message history	上下文越来越长	长期偏好放 working memory
working memory template 太长	模型更新不稳定	模板只保留关键字段
scope 选错	跨线程读不到或串话	用户画像用 resource，任务状态用 thread
semantic recall 不配 vector/embedder	无法按语义找回	配置 vector store 和 embedding model

小练习

为 Study Agent 写一个 Learner Profile working memory 模板。字段只保留 5 个：当前目标、学习风格、已掌握主题、薄弱点、下一步行动。然后写 3 轮对话，验证模板是否会被正确更新。