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,
350



被折叠的 条评论
为什么被折叠?



