Agent的记忆模块是如何实现的？短期记忆和长期记忆的存储方式、更新策略有何不同？如何解决记忆冗余

#面试官拷打AI项目都会问什么？#
记忆模块是Agent区别于普通AI应用的核心，需明确短期记忆和长期记忆的实现细节，短期记忆可采用缓存（如Redis）存储当前任务的上下文信息（如用户当前对话内容、正在执行的步骤），更新策略为实时覆盖，任务结束后自动清除，确保低延迟和资源高效利用；长期记忆需存储用户习惯、历史任务记录、领域知识等，可采用向量数据库（如Milvus、Pinecone）存储，将文本信息转化为向量，便于快速检索，更新策略为增量更新（如用户新增习惯、完成新任务后，同步写入记忆库）和定期清理（删除长期未使用的冗余信息）。解决记忆冗余问题，可设计基于相似度的去重机制，当新记忆与已有记忆相似度超过阈值（如85%），则不重复存储，同时定期对记忆库进行聚类分析，合并相似记忆；解决记忆遗忘问题，可采用“近期优先、重要性排序”策略，检索记忆时，优先返回近期和高重要性的记忆（重要性可通过用户操作频率、指令优先级标注），同时加入记忆唤醒机制，当Agent遇到陌生场景时，主动检索相关历史记忆，辅助决策。需结合项目实例，比如在智能客服Agent中，如何通过记忆模块记住用户的历史咨询偏好，避免重复提问，提升交互体验。