✅实战：实现AgentScope的三层记忆体系



AutoContextMemory的使用



AutoContextMemory其实也是Memory的一个实现类。所以可以把他当做Memory设置到ReactAgent中。



AutoContextMemory可以通过AutoContextConfig来设置一些可以调节的参数，并且AutoContextMemory因为需要用到LLM，所以需要给他一个ChatModel。



1
2
DashScopeChatModel chatModel = DashScopeChatModel.builder()        .apiKey("sk-dcebc45c03b04c6e85391abb2264e594")        .modelName("qwen3-max")        .stream(true)        .enableThinking(true)        .formatter(new DashScopeChatFormatter())        .defaultOptions(GenerateOptions.builder().thinkingBudget(1024).build())        .build();
		// AutoContextMemory（自动上下文压缩）AutoContextConfig autoContextConfig = AutoContextConfig.builder()                .tokenRatio(0.1)        // 触发压缩的阈值比例                .lastKeep(20)            // 最近保留的消息数                .build();AutoContextMemory memory = new AutoContextMemory(autoContextConfig, chatModel);



构造好了一个AutoContextMemory之后，就可以把他设置个ReactAgent作为Memory了，但是，这里还需要注意的是，AutoContextMemory中的compressIfNeeded是需要通过一个Hool来调用执行的。这个Hook就是AutoContextHook。



所以用法如下：



1
ReActAgent agent = ReActAgent.builder()        .memory(memory)      // 自动上下文压缩        .hook(new AutoContextHook())     // 自动上下文压缩 Hook        .build();



在AutoContextHook的handlePreReasoning中，会执行autoContextMemory.compressIfNeeded(); 。也就是在LLM每一次Reasoning之前，会触发调用。



三层记忆体系



通过前面几节课介绍的长期记忆、持久化记忆以及智能上下文压缩。我们可以用ASJ实现一个三层记忆体系：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
package cn.hollis.llm.llmentor.agentscope.demo;
import io.agentscope.core.ReActAgent;
import io.agentscope.core.formatter.dashscope.DashScopeChatFormatter;
import io.agentscope.core.memory.LongTermMemoryMode;
import io.agentscope.core.memory.autocontext.*;
import io.agentscope.core.memory.bailian.BailianLongTermMemory;
import io.agentscope.core.memory.mem0.Mem0LongTermMemory;
import io.agentscope.core.message.Msg;
import io.agentscope.core.message.MsgRole;
import io.agentscope.core.message.TextBlock;
import io.agentscope.core.model.DashScopeChatModel;
import io.agentscope.core.model.GenerateOptions;
import io.agentscope.core.session.JsonSession;
import io.agentscope.core.session.Session;
import io.agentscope.core.tool.Toolkit;
import io.agentscope.core.tool.file.ReadFileTool;
import io.agentscope.core.tool.file.WriteFileTool;
import java.nio.file.Path;
import java.nio.file.Paths;
public class FullMemoryDemo {
    public static void main(String[] args) {
        DashScopeChatModel chatModel = DashScopeChatModel.builder()                .apiKey("sk-dcebc45c03b04c6e85391abb2264e594")                .modelName("qwen3-max")                .stream(true)                .enableThinking(true)                .formatter(new DashScopeChatFormatter())                .defaultOptions(GenerateOptions.builder().thinkingBudget(1024).build())                .build();
        // 1. 长期记忆：跨会话语义检索        BailianLongTermMemory longTermMemory = BailianLongTermMemory.builder()                .userId("hollis666")           // 关键：每个用户一个隔离的记忆空间                .apiKey("sk-dcebc45c03b04c6e85391abb2264e594")                .memoryLibraryId("8553b56bbeb9451295e49a09d8c26ee3")                .build();
        // 2. 短期记忆：AutoContextMemory（自动上下文压缩）        // 当短期消息超过 token 上限时，自动总结早期消息以节省 token        AutoContextConfig autoContextConfig = AutoContextConfig.builder()                .tokenRatio(0.1)        // 触发压缩的阈值比例                .lastKeep(20)            // 最近保留的消息数                .build();        AutoContextMemory memory = new AutoContextMemory(autoContextConfig, chatModel);
        // 3. 工具集        Toolkit toolkit = new Toolkit();        toolkit.registerTool(new ReadFileTool());        toolkit.registerTool(new WriteFileTool());
        // 4. 完整 Agent 配置        ReActAgent agent = ReActAgent.builder()                .name("Assistant")                .sysPrompt("You are a helpful AI assistant")                .model(chatModel)                .memory(memory)                .maxIters(50)                .longTermMemory(longTermMemory)                .longTermMemoryMode(LongTermMemoryMode.STATIC_CONTROL)  // 也可以用 BOTH                .enablePlan()                          // 启用计划模块                .toolkit(toolkit)                .hook(new AutoContextHook())          // 自动上下文压缩 Hook                .build();
        // 5. Session 持久化        String sessionId = "user_hollis_session";        Path sessionPath = Paths.get(System.getProperty("user.home"),                ".agentscope", "examples", "sessions");        Session session = new JsonSession(sessionPath);        agent.loadIfExists(session, sessionId);  // 恢复短期记忆
        // 6. 多轮交互循环        try {            // ...用户输入循环...            Msg userMsg = Msg.builder()                    .role(MsgRole.USER)                    .content(TextBlock.builder().text("...").build())                    .build();            Msg response = agent.call(userMsg).block();            agent.saveTo(session, sessionId);  // 保存短期记忆 + 工具状态
        }
 catch (Throwable e) {
            agent.saveTo(session, sessionId);  // 异常时也保存        }    }}




1
用户输入          ↓   ┌──────────────────┐   │AutoContextMemory │  ← 短期记忆（带自动压缩）   │  最近 20 条原文 +  │     超长后早期消息会被 LLM 总结   │  早期对话摘要      │   └──────────────────┘          ↓   ┌──────────────────┐   │  JsonSession     │  ← 会话持久化（跨重启）   │  序列化到磁盘      │     保存的是上面的短期记忆   └──────────────────┘          ↓   ┌──────────────────┐   │  Mem0LongTermMem │  ← 长期记忆（跨会话语义检索）   │  向量化提取的事实   │     每轮自动写入，每轮自动召回   └──────────────────┘