长期记忆和 RAG 有什么区别？分清再用

先说答案：智能体的长期记忆和 RAG 都往上下文里补充信息，但来源和用法不同——长期记忆攒的是这个用户、这个任务的历史交互过程，RAG 查的是外部资料库里的现成内容。一个管「跟你打过什么交道」，一个管「世界上的公开知识」。

类比医生看病历与查文献：病历是这位患者的历史，文献是全行业的积累，两者都要看，但存放和调用的方式完全不同。失效之处在于，有些信息两边都能放，边界模糊时容易重复存储、互相打架，需要约定谁是权威来源。

写入时机完全不同

长期记忆在交互过程中持续写入：用户的偏好、纠正过的错误、约定好的格式，聊到就记，Kimi、秘塔AI搜索等产品里的记忆功能走的就是这条路。RAG 的写入是一次性的库建设：先把文档切块、建索引，之后查询时按相似度取回，资料库更新是独立动作，与单次对话无关。

内容的组织方式差异

长期记忆常按用户或项目分桶，条目短，强调「关于这个人我们知道什么」；RAG 按文档结构切块，块内保持语义完整，强调「哪段资料能回答这个问题」。两者取回后都要控制篇幅——上下文不是越大越好，塞太多反而稀释重点，多智能体场景里记忆的共享与隔离还牵动架构，见单 Agent 和多 Agent 差在哪？

常见的搭配用法

实际产品几乎都两个一起用：先查长期记忆获取个性化上下文，再走 RAG 补充事实资料，最后由模型整合作答。顺序上通常记忆优先，因为它决定了回答的口径和偏好。记忆内容本身也可以沉淀成文档进 RAG 库，让个人经验升级为团队资料。

边界怎么划

三个判断：信息是否与特定用户绑定？绑定就走记忆；是否需要随源文档更新？需要就走 RAG，库更新即生效；是否要求可追溯出处？RAG 能给出来源引用，记忆条目通常给不出。划清权威来源，避免同一事实两处存储，是维护成本最低的做法。

两条通道的分工，看这几个维度就清楚。

记忆与 RAG 对照表

• 记忆存交互过程，RAG 存外部资料
• 记忆随对话写入，RAG 靠建库导入
• 个性化问题先查记忆，事实问题靠 RAG
• 同一事实只留一个权威来源

一句话记住：记忆管熟悉，RAG 管广博，各管一段配合用。

资料的存取与执行环境也有交集：文档库的读取属于只读操作，直连即可，见沙箱执行和直连执行有什么区别？；定时同步资料库的安排见事件驱动和定时驱动有什么区别？；落地载体选平台还是自建，见Agent 平台和自建框架差在哪？。两条信息通道各司其职，回答才既贴心又有据。

记忆条目的写法也有讲究：存「事实加时间」比存「结论」更耐用——用户的团队名下个月可能变，但「十月时他提到团队是某名字」这种带时间戳的记录，过期了也容易识别和更新，裸结论没有时间维度，错了我都不知道它是何时对的。RAG 的切块粒度也要按问题形态调：问答类的问题窄，块要小而准；综述类的问题宽，块要大而全，甚至要做二次汇总，切块没有标准答案，跑一批真实问题看取回质量再调。定期用真实提问回归测试两条通道的取回质量，是维护它们的最省心方式。

关于长期记忆和RAG的三个常问问题

• 记忆会越攒越乱吗？：会，要定期整理，过时的条目更新或删除，冲突时以最新纠正为准。
• RAG 找不到答案怎么办？：让智能体明说没查到并说明检索范围，别硬编，同时把该问题记入库建设的清单。
• 记忆能迁移到别的智能体吗？：导出成结构化文件即可迁移，格式统一比工具本身更重要。