多Agent共享记忆实战:MCP协议与持久化存储设计

MCP协议下多Agent共享持久化记忆实战:从概念到落地 AI Agent在执行复杂任务时,上下文窗口有限且无法跨会话保留信息,导致每个智能体都像“金鱼”一样失忆。MCP(模型上下文协议)作为AI应用连接外部工具的标准开放协议,为记忆的标准化访问提供了全新思路。Memento正是基于MCP构建的共享持久化记忆中间件,它通过实体、关系、观察三层数据模型,将散落的上下文沉淀为可检索的知识图谱,让多个Agent能够共同维护和复用团队级记忆。本文从记忆分层原理出发,讲解MCP的Tools、Resources、Prompts核心机制,并给出完整的Python实战示例,演示如 阅读详情

如果你搭建过三个以上的 AI agent 协作流程,大概率遇到过这么一种尴尬:一个 agent 刚写完代码审查结论,另一个 agent 并不知道,又重新分析了一遍同样的问题;负责测试的 agent 在上一轮已经确认过某个接口正常,重启会话后它把这件事忘得一干二净。你需要的不是更强的模型,而是一个让多个 agent 都记得住、查得到、还能共享的记忆系统。Memento 这个项目,从标题就能看出它的定位——Shared, durable memory for multiple AI agents, with MCP access,翻译过来就是:面向多个 AI agent 的共享、持久化记忆,并且通过 MCP 协议接入。

这两年 AI agent 的项目已经多到让人眼花缭乱,但真正把“多 agent 协作”做出生产可用效果的并不多。原因不是模型能力不够,而是大多数 agent 的上下文是私有的、临时的、互相隔离的。每个 agent 都像一个只带了一块白板的实习生:能完成当前任务,但你没办法让它把前面同事的结论、踩过的坑、确认过的决定带进下一步。

Memento 想解决的,恰恰是这层问题。它不是要取代模型,不是要做编排框架,而是给多个 agent 提供一块“共同的、持久的工作记忆”。这篇文章我想顺着这个定位,拆一拆多 agent 共享记忆的真正难点、MCP 在其中为什么合适,以及如果要在真实项目里落地,应该从哪几步开始。

1. 多智能体协同的真正瓶颈,不是模型,而是记忆

1.1 一个记忆缺失的多 agent 协作场景

先说一个很常见的场景。你让一个规划 agent 拆解任务,让一个编码 agent 实现功能,再让一个测试 agent 验证结果。理想情况下,三个 agent 应该像同一个团队里的三个人一样协作:规划 agent 把方案和约束写清楚,编码 agent 照做,测试 agent 知道哪里可能出问题。

但现实往往是另一种样子。规划 agent 输出的任务清单只存在于它自己的上下文窗口里;编码 agent 只能重新读一遍原始需求,再去猜测任务边界;测试 agent 因为没有看到编码 agent 的修改记录,只能重新推理哪些逻辑可能被改动。三个 agent 都做了大量重复工作,最后结果还不一致。

这就是我常说的“上下文窗口不是记忆”。上下文窗口是短期工作区,任务结束、进程重启、会话切换之后,它就不会保留。而且每个 agent 的上下文窗口是私有的,即便当前会话没结束,另一个 agent 也看不到里面有什么。多个 agent 协同工作时,缺的恰恰是一个能被共同访问的公共状态区。

1.2 共享记忆要解决的其实是四件事

从 Memento 的项目定位来看,它要做的不是一个完整的记忆系统,而是先解决四个关键词:

第一是持久。记忆不能只活在一次会话里。agent 重启之后,之前的任务状态、决策记录、用户偏好都还要能恢复。

第二是共享。多个 agent 要能读写同一份记忆。这里的关键不是“都能访问”,而是“读写之间有一致性”,A 写进去的东西,B 要能读到,而且不能随随便便被覆盖掉。

第三是结构化。记忆不能是一堆无差别文本堆积。至少要能按 agent、任务、时间、主题去做查询和过滤,否则数据越多越难用。

第四是可接入。再好的记忆系统,如果每个 agent 都要定制 SDK 才能接入,成本就很高。Memento 选择用 MCP 作为接入方式,等于把“记忆能力”包装成一个标准服务,任何支持 MCP 的客户端都可以直接使用。

这四个词看起来简单,实际上每一条都对应一个工程难点。持久化要选存储模型,共享要处理并发和数据隔离,结构化要设计 schema,可接入要定义稳定的工具接口。很多 agent 项目在原型阶段跑得通,一到生产就散架,通常就是因为在“共享”和“结构化”这两层没有做好。

1.3 为什么这类项目现在才出现

记忆问题并不是新问题。几年前做对话机器人,大家就发现长期记忆很重要,但当时每个项目都要自己定义记忆接口、自己写存储、自己设计同步逻辑。模型厂商提供的 context,或者向量数据库提供的检索,本质上解决的是“信息召回”,不是“多 agent 共享状态”。

现在情况不一样了。MCP 这类标准化协议逐渐普及,agent 的工具调用方式开始统一。记忆服务可以做成一个独立的中间层,不再和具体的 agent 实现绑定。Memento 这类项目就是在这个窗口出现的:模型的调用方式已经相对稳定,缺的是一层通用的基础设施,MCP 恰好给了这层基础设施一个标准接口。

换句话说,多 agent 系统正在经历一个类似 Web 开发里“把数据库独立出来”的过程。早期写网站,数据就是程序里的全局变量;后来发现并发、持久化、权限都绕不开,才逐步形成数据库这个独立分层。AI agent 的记忆,大概率也会走同样的路径。

2. Memento 解决的是记忆层问题,不是模型问题

2.1 它把自己定位成“记忆服务”

从项目名和定位来看,Memento 不是新的 agent 编排框架,也不是模型推理引擎,而更像是一个记忆服务层。记忆这个词很容易让人想起记忆宫殿、经验积累这类玄幻表达,但在工程里,它必须落到具体的职责划分上。

如果让我来概括它的核心职责,可以拆成四类:

  • 写入:agent 把需要保存的决策、结论、中间状态、用户偏好写入记忆库。
  • 读取:agent 在开始任务或任务中间,按需检索记忆库里的内容。
  • 更新:当事情发生变化时,旧记忆要被修正或标记为过时。
  • 删除:当记忆不再有效、或者涉及隐私数据时,要从库里移除。

这四类操作看起来和普通数据库 CRUD 很像,但记忆服务有几个数据库不一定会提供的特性。比如,记忆是有时效性的,一个结论今天有效,明天可能就要作废;记忆是有归属的,不同 agent 写入的记忆应该能被区分;记忆还需要支持灵活的检索方式,既能按关键词查,

Memento实战:用MCP协议实现多Agent共享记忆与持久化 在大模型应用开发中,Agent 的上下文隔离与对话失忆是普遍痛点。无论是单个会话结束后信息丢失,还是多个 Agent 各自维护独立上下文导致认知分裂,都制约着复杂任务的自动化协作。MCP(Model Context Protocol)作为标准化工具接入协议,通过 MCP Server 将外部能力统一暴露给所有支持客户端,为记忆共享提供了通用解法。Memento 正是基于这一理念,将记忆封装为持久化、可共享的 MCP Server,让 Claude Desktop、Cursor、Codex 等客户端可一致读写 阅读详情

相关推荐

基于MCP协议的多Agent共享持久记忆服务实现

多智能体协作中,记忆断层是影响系统效率的关键瓶颈。单个Agent的上下文窗口有限,多Agent之间又缺乏共享机制,导致重复询问与任务中断频发。MCP(模型上下文协议)作为AI应用与外部工具间的开放通信标准,为记忆服务提供了统一的接入方式。通过持久化存储层设计,将Agent的长期记忆从上下文中剥离,实现跨会话、跨Agent的知识复用。本文以Memento为例,解析如何基于MCP构建共享记忆层,涵盖数据模型、工具接口设计、SQLite存储实现及多Agent接入实践。适用于LLM应用开发者与多Agent系统设计者

weixin_29038155的博客 350

多 Agent 共享记忆:Memento MCP Server 实现指南

大语言模型本质上是无状态的,每次会话结束,上下文就随之丢失。在单 Agent 场景下,我们可以通过外部存储缓解,但多 Agent 协作时,各自为政的会话历史会引发信息断层、重复劳动等问题。MCP(Model Context Protocol)作为连接 AI 模型与外部工具的开放协议,能够将记忆能力标准化封装成工具,让不同 Agent 客户端通过统一接口读写同一份数据。Memento 正是基于这一思路设计的共享、持久化记忆层:它将 Agent 的记忆统一收口到独立存储中,通过 MCP Server 暴露写入、

weixin_33766805的博客 351

Lapse:用MCP给AI Agent建一个共享笔记记忆空间

大模型本身没有长期记忆,当会话结束,上下文信息便随之丢失。为解决这一困境,开发者常借助RAG、向量数据库、上下文缓存等方法,但维护成本高且记忆难以共享。MCP(Model Context Protocol)作为标准化接口,让AI应用能以统一方式连接外部工具和数据源,为Agent提供可持续读写的记忆载体。基于MCP协议,笔记应用可以成为人类与AI Agent共同使用的共享记忆空间——例如Lapse,它同时作为笔记工具和MCP Server,将增删改查、搜索、标签管理封装成工具,供Cursor、Dify等客户端

weixin_34060299的博客 389

用MCP构建Agent长期记忆:从Lapse到Notes Server实战

大模型应用正在从单次对话走向复杂任务协作,但模型本身是无状态的。上下文窗口有限、会话隔离,导致Agent难以沉淀项目背景、决策记录等关键信息。笔记系统天然具备结构化、可编辑、可增量积累的特性,是理想的长期记忆载体。MCP(Model Context Protocol)作为连接模型与外部数据的开放协议,通过Client、Server、Tool、Resource等原语,将笔记读写能力标准化。基于MCP实现一个Notes Server,可以让Claude Desktop、Cursor等客户端共享同一套记忆空间,实

weixin_33924770的博客 743

基于MCP协议构建AI Agent长期记忆系统:原理、实现与应用

在人工智能领域,尤其是大语言模型(LLM)驱动的智能体(AI Agent)开发中,如何实现持续、稳定的状态管理是一个核心挑战。传统LLM本质上是无状态的,每次交互都需重新加载完整上下文,这限制了其执行复杂、多轮任务的能力。为解决此问题,长期记忆系统应运而生,其核心原理是通过外部存储与高效检索机制,为Agent赋予类似人类的记忆能力。该技术的核心价值在于实现了Agent的状态持久化与上下文关联,使其能跨会话记住关键信息、任务进度和用户偏好,从而提供连贯、个性化的服务。在工程实践中,这通常涉及向量数据库进行语义

weixin_30363509的博客 568

从零掌握Hermes Agent:五层架构、三层记忆与MCP协议实战指南

AI Agent作为人工智能领域的重要分支,其核心原理是通过感知环境、制定目标并执行动作的自治系统来实现智能化任务处理。在技术价值层面,AI Agent框架通过分层架构设计、记忆系统和技能生态等关键技术,显著提升了智能体的可扩展性和实用性。当前主流的AI Agent框架如Hermes Agent采用了先进的五层架构设计,从模型接入到用户界面实现了清晰的模块化分离。在记忆系统方面,三层记忆机制(会话记忆、持久记忆和Skill级记忆)确保了智能体在不同场景下的连续性操作能力。特别值得关注的是MCP协议的应用,这

weixin_33672109的博客 545

多Agent记忆统一:Memmy带来的记忆层设计与实践

在大模型应用从无状态对话走向有状态智能体(Agent)的进程中,记忆能力成为支撑连续决策与多轮交互的关键基础设施。传统单Agent记忆已覆盖对话历史、工作状态和长期偏好等维度,但多Agent协作场景下,信息孤岛、上下文重复传递和状态不一致等问题日益突出。统一记忆服务通过标准化写入、高效检索、权限隔离与生命周期管理,将记忆从各Agent内部抽离为独立能力层。结合向量检索、冷热分层存储等工程手段,可显著降低token成本并提高多Agent协作一致性。MemOS团队开源的Memmy正是这一方向的代表性实践。本文从

weixin_30731305的博客 466

【超详细】数据分析笔试题分享,可以收藏后仔细阅读_数据分析岗位笔试题目

这种做法是最精确的做法,保留了所有的信息,也未添加任何额外信息,若预处理时把所有的变量都这样处理,会大大增加数据的维度。15、在某座城市出现了某种流行病,且已知某座城市男女人数相同,男性患该病的概率为5%,女性为0.25%,现已知该城市的小明得了此病,请问小明为男性的概率是() B。D项,使用方差作为特征评分标准,如果某个特征的取值差异不大,通常认为该特征对区分样本的贡献度不大,因此在构造特征过程中去掉方差小于阈值的特征。LTV,用户生命周期价值,是产品从用户获取到流失所得到的全部收益的总和。

2401_89824744的博客 953

SAP S/4HANA 物料分类账(ML)/实际成本核算(Actual Costing)——底表全景 & CKMLCP 执行后数据变化

插入 ML 重估凭证行项目:Dr/Cr 库存科目(期末库存调整)、Dr/Cr COGS/消耗科目(消耗重估)、Cr/Dr ML 重估抵消科目(PRY/PRV 类逻辑)also STPRS/VERPR/PEINH/LBKUM 等(但 S/4 很多“真理”在 ACDOCA)MLPP / MLPPF / MLCR / MLCRF / MLCD / CKMLMV003/004 等。Material Ledger Document(行项目明细:收货/发票价差/结算写入/重估相关)间接(PUP在CKMLCR;

weixin_52203666的博客 608

EDKII实战:手把手调试PciHostBridge.c,看UEFI如何分配你的PCIe设备资源(IO/Memory空间)

本文深入解析EDKII中PciHostBridge.c模块的工作原理,详细指导如何调试PCIe设备资源分配(IO/Memory空间)。通过实战案例展示UEFI环境下Root Bridge初始化、地址空间转换及协议安装等核心流程,提供常见问题排查方法与性能优化建议,帮助开发者解决PCIe设备兼容性问题。

weixin_29201933的博客 211

阿里云大模型ACP认证模拟考试(二)

摘要:在阿里云大模型高级工程师 ACP 认证暂无真题题库的现状下,模拟题具有重要意义。其依照真实考试设计,涵盖题型、题量与分值分布,助力考生熟悉考试框架,合理分配答题时间精力,提升效率。同时,模拟题紧扣官方课程,能帮助考生精准定位知识盲点,如大模型架构原理和通义千问应用实践等重点内容,以便针对性完善知识体系。此外,通过练习模拟题,考生可掌握不同题型的解题思维与技巧,快速洞察复杂题目本质,提高答题准确率。

davidkorhenn的博客 2090

OpenAI Codex 桌面端国内使用全坑解決指南(2026 Windows 实测)

本地文件报错:SQLite 初始化失败、启动闪退、卡加载页 → 本地缓存/数据库损坏,和网络无关网络地区报错→ 网络IP/地区被拦截,和本地软件文件无关Codex 桌面端的大部分报错,都不是软件故障,而是海外软件适配国内网络、国内模型协议不兼容导致的适配问题。不用盲目重装、换网络、改系统设置,只要区分「本地文件问题」和「网络地区问题」,搭配国内大模型 API 替代方案,就能完美解决所有痛点。(注:部分内容可能由 AI 生成)

ups_hxc的博客 1234

蓝凌EIS智慧协同平台frm_form_upload.aspx接口存在任意文件上传漏洞

蓝凌EIS智慧协同平台frm_form_upload.aspx接口存在任意文件上传漏洞

nnn2188185的博客 358

微信小程序 - 实现大文件上传分片/切片+本地选择文件上传超大文件,小程序大文件切片上传+断点续传+上传进度条+失败自动重传完整运行示例源码,支持图片、视频、文档各种文件(支持上传单个文件或批量上传)

微信小程序实现大文件上传,实现分片大文件上传,微信小程序 分片 断点续传 大文件上传,微信小程序实现大文件上传 分片上传 进度条,小程序文件分片上传,微信小程序如何上传很大的文件,在选择文件后,按指定大小将文件切割成独立的文件片,并逐片上传,uniapp 微信小程序上传大文件如何切片,微信小程序实现大文件分片上传、断点续传、秒传,解决大文件上传问题,大文件上传如何做断点续传,微信小程序wx.uploadFile,小程序上传视频,小程序上传文档,实现大文件上传(切片上传)实现大文件上传到服务器教程,支持批量多

🏆 前端领域优质创作者 1万+

【STK】手把手教你利用STK进行导弹和反导仿真04 - STK/MMT模块03 导弹飞行工具应用案例

飞行设置的工具栏就在附加窗口的中间,首先点击左边的General,修改这个项目的名字。然后在下拉的System中选择导弹的类型,这里我们选择远程。(4)输出数据文件到STK,任务窗口里选择Export Manager项,飞行数据输出到STK。项目可以命名为Test;(1)首先建立新项目,点击Flight菜单中的New Flight选项,见下图。首先看世界地图中间的红圈,是一个导弹形状的图标,这个图标表示的是导弹的发射点。选择下面的Export Manager,依次勾选红框的选项。我们拖动这个导弹的图标,

weixin_44184852的博客 1638

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: AI Agent零基础入门与日志分析实战:从原理到代码实现
下一篇: 英伟达GPU进入太空:从数据中心到边缘计算的AI算力扩展
寒水微痕
博客等级 码龄10年 58粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址