AI 智能体长期记忆：Memory Bank

AI agent long-term memory with memory bank · Google Cloud Tech · 中文讲座报告 以 15 张视频关键帧与英文人工字幕重建讲座实况：让智能体在数天乃至数周内保持一致、具备上下文感知。

本报告还原 Google Cloud「Agent Memory」系列第三集。讲者 Annie Wang 从服务角色划分讲起，演示如何用 Vertex AI Memory Bank 为智能体建立跨会话、跨媒体类型的长期记忆：会话结束时归档整段对话，或直接把图像、视频、音频写入记忆库；新对话开始时由 PreloadMemory 工具自动做语义检索，把相关事实注入提示词。文中幻灯片文字以视频帧截图为准（SCREENSHOT），讲者口述来自英文人工字幕（CC），表格与文字流程图为编辑性归纳（EDITORIAL）。

1. 讲座元信息

项目	内容
议题名称	AI agent long-term memory with memory bank
讲者	Annie Wang — Software Engineer, Google Cloud
频道	Google Cloud Tech
系列	Agent Memory 系列第 3 集（共 3 集）
发布	2026 年 4 月 16 日
时长	6 分 43 秒
录播	https://www.youtube.com/watch?v=KZPo15M2DbM
演示代码	memory_agent（main.py / terminal 实机演示）
动手资源	https://goo.gle/agentmemorylab

2. 证据边界与阅读方式

标记	含义	阅读方式
SCREENSHOT	视频关键帧可直接核验的幻灯片文字、代码与终端输出	以嵌入帧截图为准
CC	讲者口述，来自英文人工字幕	保留口述边界，不扩写为官方文档结论
EDITORIAL	本报告的组织性说明、表格归纳与文字流程图	帮助阅读，不新增技术主张

官方未发布独立讲稿。下文嵌入的 15 张图均为录播视频的关键帧截图，版权归 Google Cloud 所有，本站仅用于教育性评论与引用；需要观看实机画面时，请使用原始 YouTube 链接并跳到图注中的时间码。

3. 系列定位与学习目标

图 1 · 00:01 · 标题页。本集主题：长期记忆与 Memory Bank。

本集是系列收官：第一集讲短期记忆（sessions & state，“记住本次对话”），第二集讲持久化记忆（database，“跨重启存活、个性化新对话”），第三集讲长期记忆（memory bank，“归档对话与媒体、按语义检索”）（SCREENSHOT）。

图 2 · 00:14 · 系列路线图：Ep.1 短期记忆、Ep.2 持久化记忆、Ep.3 长期记忆（本集）。

图 3 · 00:56 · 学习目标：区分 SessionService 与 MemoryService；掌握两种 MemoryService 选项；构建含多模态数据的 Memory Bank。

学习目标有三条：区分 SessionService 与 MemoryService；了解两种 MemoryService 选项；以及构建一个能容纳多模态数据的 Memory Bank（SCREENSHOT）。讲者同时预告本集将覆盖：会话服务与记忆服务的差异、内存版与 Vertex AI Memory Bank 的取舍、整段会话与媒体文件的写入方式，以及新对话中用 PreloadMemory 工具自动检索相关事实（CC）。

4. 两个服务角色：Session vs Memory

图 4 · 01:16 · 服务角色页。SessionService 是”活跃聊天管理器”：管理当前实时会话、保存事件与状态、可恢复暂停的会话，类似”工作态——正在处理的文件”。

构建个性化智能体之前，先厘清两类服务角色。SessionService 管理活跃聊天，使进行中的对话可以被恢复；MemoryService 管理长期归档，是”档案柜”（CC）。幻灯片把 SessionService 描述为活跃聊天管理器：管理当前实时会话、保存事件（转录）与状态、允许恢复暂停的会话，类比”工作态——活跃文件”，可选实现包括 InMemory、Database 与 VertexAI（SCREENSHOT）。

5. MemoryService 的两种选项

图 5 · 01:40 · 选项对照表：InMemoryMemoryService 存于 RAM、关键词检索、适合快速本地测试；VertexAiMemoryBankService 存于 Google Cloud、语义检索、适合生产环境。

记忆服务有两种实现路线。简单的内存版（InMemoryMemoryService）适合快速本地测试：存于 RAM、关键词检索、重启即失；Vertex AI Memory Bank 服务（VertexAiMemoryBankService）存于 Google Cloud、支持语义检索、面向生产（SCREENSHOT）。语义检索的含义是”按含义而非字面匹配”：幻灯片举例，查询”two-wheeled vehicle”（两轮车辆）能够命中”user owns a bicycle”（用户拥有自行车）这条记忆，而关键词检索会漏掉它（SCREENSHOT + CC）。

服务	存储	检索类型	适用
InMemoryMemoryService	RAM	关键词（Keyword）	快速本地测试
VertexAiMemoryBankService	Google Cloud	语义（Semantic）	生产环境按语义检索

6. Vertex AI Memory Bank 架构与配置

图 6 · 01:52 · 架构页：会话与媒体经 Gemini 抽取事实、经 Agent Engine 嵌入，写入带主题（Preferences、Facts、Experiences、Credentials）的 Memory Bank。

本集选用 Vertex AI Memory Bank 服务与 Vertex AI 会话服务，二者由 Agent Engine 驱动：用 Gemini 抽取事实、生成嵌入，存储的不仅是文本而是语义（CC）。架构图显示两条流水线——“Gemini 抽取事实”与”Agent Engine 嵌入事实”——汇入 Memory Bank（Agent Engine），并以主题组织存储内容，如偏好、事实、经历与凭证（SCREENSHOT）。

图 7 · 02:10 · 配置代码：AgentEngine.create 指定抽取模型与嵌入模型；同一 engine 同时驱动 VertexAiSessionService 与 VertexAiMemoryBankService。

配置 Memory Bank 即配置驱动它的 Agent Engine：选择两类模型，一类从对话与媒体中抽取事实，另一类把事实嵌入为向量以支持按语义检索；还可以定义主题来组织存储内容，如用户偏好与旅行经历（CC + SCREENSHOT）。代码页强调：同一引擎内同时挂载两个服务时，它会处理内容、抽取事实并使其可检索——“这不仅仅是一张表，而是一个服务”（SCREENSHOT）。

7. 写入记忆：两条路径

图 8 · 03:30 · 写入两路径。Way 1：会话结束调用 add_session_to_memory，归档整段对话；Way 2：直接上传图像/视频/音频文件，事实直接存储。

写入记忆有两条路径。第一条是在会话结束时归档整段对话：调用 add_session_to_memory，Memory Bank 处理用户消息、智能体回复以及图像、视频、音频引用，抽取并存储关键事实。第二条是直接上传文件：图像、视频、音频文件连同文本上下文直接生成并存储事实，即使这些文件并非来自某次聊天（SCREENSHOT + CC）。无论哪条路径，目标都是构建一个智能体日后可用的长期知识库（CC）。

Way 1 · 归档整段对话                    Way 2 · 直接上传文件
session ──add_session_to_memory──►      image / video / audio file ──►
        │                                        │
        ▼                                        ▼
Memory bank processes:                    Facts stored directly
· User messages                           （可附带文本上下文）
· Agent replies
· Image / video / audio references
        │
        ▼
Extracts and stores key facts

8. 检索记忆：PreloadMemory 工具

图 9 · 04:04 · 检索页：用户新消息 → PreloadMemory 自动运行 → 语义检索 Memory Bank → 事实注入提示词 → 智能体带上下文回应。代码中只需把 PreloadMemoryTool 加入工具列表。

知识库就绪后，检索由 PreloadMemory 工具自动完成：它在每一轮开始时运行——回应之前读取用户新消息、在 Memory Bank 中执行语义检索、收集最相关的事实并注入提示词；智能体本身无需任何特殊逻辑（SCREENSHOT + CC）。代码页显示只需把 PreloadMemoryTool 加入智能体工具列表，“no extra logic needed”（SCREENSHOT）。

User sends new message
        │
        ▼
PreloadMemory tool runs automatically（每轮开始、回应之前）
        │  语义检索 Memory Bank
        ▼
Relevant facts injected into prompt
        │
        ▼
Agent responds with context（无需特殊逻辑）

9. 演示：跨会话多模态召回

图 10 · 04:21 · 会话 A 的共享媒体之一：历史建筑画面（另有海边短视频与小镇音频便签）。

图 11 · 04:28 · 会话 A 代码：发送图片、视频、音频后，调用 add_session_to_memory 归档会话。

演示分两个会话。会话 A 中，用户分享一张历史建筑照片、一段海边短视频和一条小镇音频便签；随后结束聊天并调用 add_session_to_memory 归档（CC + SCREENSHOT）。引擎抽取出”历史建筑""享受海岸""到访过小镇”等事实；接着模拟重启与时间流逝（CC）。

图 12 · 04:56 · 会话 B 代码：全新会话（空状态）提问”基于我之前分享的图片、视频和音频，推荐一个文化目的地”。

图 13 · 05:16 · 终端输出：PreloadMemory 注入记忆后，智能体推荐与历史建筑、海滨偏好相匹配的文化目的地。

会话 B 是一个状态为空的全新对话：用户提问”基于我之前分享的图片、视频和音频，能否推荐一个文化目的地？“回应之前，PreloadMemory 检索 Memory Bank 并注入”用户喜欢历史建筑、喜爱海滨地区、到访过小镇”等记忆；智能体继而给出匹配的个性化推荐（CC + SCREENSHOT）。终端输出显示，智能体明确”基于你之前的分享”给出建议——这正是长期多模态召回的实际运作（SCREENSHOT）。

10. 系列总结：三层记忆

图 14 · 05:40 · 三层记忆总结：短期工作记忆（InMemorySessionService）、持久化记忆（DatabaseSessionService + 用户偏好工具）、长期多模态记忆（VertexAiMemoryBankService + PreloadMemoryTool）。

三集系列收束为三层记忆体系：

层	角色	实现（幻灯片）
短期记忆	实时聊天期间的工作记忆	InMemorySessionService —— 快速、同一会话跨轮次
持久化记忆	跨重启存活、个性化新对话	DatabaseSessionService + recall/save_user_preferences 工具
长期记忆	归档整段对话与媒体、按语义召回	VertexAiMemoryBankService + PreloadMemoryTool —— search by meaning

有了这三层，智能体便能在数天乃至数周内保持一致、具备上下文感知（CC）。

11. 收尾与动手资源

图 15 · 06:18 · 结束页。完整演示与安装步骤见视频描述与 goo.gle/agentmemorylab。

讲者以屏幕链接与二维码（goo.gle/agentmemorylab）提供完整演示与安装步骤，并邀请观众尝试后反馈想构建的下一个应用（CC + SCREENSHOT）。对工程师而言，本集可带走的结论是：会话与记忆是两种不同的服务角色；生产环境的长期记忆应选择云端语义检索的 Memory Bank；写入靠”归档会话 + 直接上传”两条路径，检索靠 PreloadMemory 在每轮开始时自动注入事实——智能体代码无需为记忆编写特殊逻辑（EDITORIAL）。

12. 来源与说明

• 录播视频：https://www.youtube.com/watch?v=KZPo15M2DbM，Google Cloud Tech 频道，2026-04-16 发布，时长 6:43。
• 字幕证据：英文人工字幕（CC）json3，2026-08-06 检索下载。
• 图像证据：本地下载 720p 视频流后以 ffmpeg 抽取 15 张关键帧，存于 public/images/agent-memory-bank/；帧截图版权归 Google Cloud 所有，仅用于教育性评论与引用。
• 时间码以 4 秒网格定位，误差约 ±2 秒；代码页小字在 720p 下部分不清晰，正文只转述可核验部分。
• 官方未发布独立讲稿；文中表格与文字流程图为编辑性归纳（EDITORIAL），不新增技术主张。