智联工坊实战：从“金鱼记忆”到“记住了”：给制造Agent装上记忆芯片的完整指南

🏭导航收藏不迷路—>制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）

文章摘要

        兄弟们，你们的AI助手是不是也像条“金鱼”——刚说过的事转头就忘？本文带你给【智联工坊】的制造Agent装上三种“记忆芯片”：Buffer、Window、SummaryBuffer。全程实战，附完整代码和3种模式对比测试数据。看完你就知道：记忆能解决什么、解决不了什么、为什么本地小模型在“刚才那个”这种指代上会翻车。全源码开源，可直接复用。

开篇：差点被Agent的“金鱼记忆”整破防

        说实话，这事让我挺郁闷的。

        上一篇文章我把智联工坊的制造Agent搭好了——能算OEE、能查手册、能问排班。班组长小刘试用了一下，反馈得很委婉，但我听懂了。

        他说：“老蒋，这个能算OEE了，挺好的。就是……每次我都要把话重复好几遍。它记不住我。”

他的实际体验是这样的：

小刘：“我想查OEE。”
Agent：“请提供产线名称和日期。”
小刘：“交互屏组装A线。”
Agent：“请提供日期。”
小刘：“2026-07-12。”
Agent：终于开始算了。

        我当时的第一反应是：这不科学啊……😀😀😀 我都把对话传给Agent了，它怎么还是像个第一次见面的陌生人？

        后来我才搞明白——这还真不是Bug，而是Agent的出厂设置就是“金鱼记忆”。每次对话都是独立的，它根本不记得你上一句说了什么。

本文要解决的痛点：给这个“金鱼记忆”的Agent装上记忆芯片，让它能记住用户之前说的话，实现跨轮次的信息关联。

适合谁读：已经跑通基础Agent（比如看过我上一篇智联工坊实战：制造知识库工具调用Agent从零搭建（OEE+手册+排班）文章的兄弟），想进一步优化对话体验的制造企业IT工程师、AI架构师。

脱敏声明：本文基于虚拟工厂“智联工坊”场景，所有数据均已脱敏处理。

正文

一、方案设计：三种记忆模式，三种“记笔记”的方式

        LangChain提供了三种记忆实现。我这人说话啰嗦，但为了让你好理解，我直接打个比方：

我的建议很实在：你在本地调试用BufferMemory就行，简单省事。真要上生产线给班组长用，最好用SummaryBufferMemory，长期看能省不少Token钱。

二、核心实现：这次我只改了3个地方

        工程目录结构和Case01几乎一样，只动了3个地方：

javy21_manufacturing_ai_practice/
├── common/
│ ├── base_agent_builder.py # ① 增加了memory注入
│ ├── memory_factory.py # ② 新建：记忆工厂类
│ └── …
├── cases/
│ └── case02_memory_agent/ # ③ 新建案例，复用Case01的工具
│ ├── tools/ # 完全复制Case01的三个工具
│ ├── agent/
│ │ └── builder.py # 就5行代码，指定用哪种记忆
│ └── scripts/
│ └── 01_test_memory.py # 测试脚本

改动1：common/memory_factory.py——新建一个记忆工厂，把三种记忆类型统一管理。

class MemoryFactory:
@staticmethod
def create_memory(memory_type: str = "buffer", llm=None, window_k: int = 5):
if memory_type == "buffer":
return ConversationBufferMemory(return_messages=True, memory_key="chat_history")
elif memory_type == "window":
return ConversationBufferWindowMemory(k=window_k, return_messages=True, memory_key="chat_history")
elif memory_type == "summary_buffer":
return ConversationSummaryBufferMemory(llm=llm, max_token_limit=2000, return_messages=True, memory_key="chat_history")
return None

改动2：common/base_agent_builder.py——在build()方法里把记忆注入进去。

def build(self) -> AgentExecutor:
tools = self._register_tools()
self._memory = self._create_memory() # 创建记忆实例

prompt = PromptTemplate.from_template(self._get_prompt_template()) # 模板里要有{chat_history}
agent = create_react_agent(self.llm, tools, prompt)

executor = AgentExecutor(
agent=agent,
tools=tools,
memory=self._memory, # 关键：把记忆塞进去
verbose=True,
max_iterations=5
)
return executor

这里要留个心眼：你的Prompt模板里必须有{chat_history}占位符，不然记忆传进去了也不生效。这个坑我等下在排坑笔记里专门讲。

改动3：case02_memory_agent/agent/builder.py——就5行代码，指定用哪种记忆。

class MemoryAgentBuilder(BaseAgentBuilder):
def __init__(self, memory_type: str = "buffer", **kwargs):
super().__init__(memory_type=memory_type, **kwargs)

def _register_tools(self) -> List[BaseTool]:
return [
CalculateOEETool(),
SearchManualTool(),
QueryShiftTool()
]

三、运行验证：实测三种记忆模式

我设计了一个5轮对话测试，模拟班组长小刘的真实使用场景：

BufferMemory实测结果：

看到第5轮我沉默了。

        记忆确实传进去了，Agent也确实记住了我之前说过的话。但它理解不了“刚才那个”指的是哪一天。这个事让我想明白了一个道理：保存不等于理解。模型能记住你说了什么，但不代表它真的“懂”你在说什么。

        这不是代码的问题，是本地小模型的能力边界。 Qwen2.5-7B在指代消解任务上，确实还有差距。

WindowMemory和SummaryBufferMemory的实测结果：

        跟BufferMemory几乎一样——前4轮都正常，第5轮都翻车。Window的窗口机制在这次测试里没触发（因为就5轮），SummaryBuffer倒是多加载了几个tokenizer文件，证明它确实在工作。

所以我的结论很实在：

四、一点真心话：记忆不是银弹

        这个实验让我接受了一个现实：再好的记忆系统，也无法弥补模型本身的理解缺陷。

        如果用户的表达是模糊的（比如“刚才那个”、“上次那个”），本地小模型大概率会翻车。这不是你代码写得好不好的问题，是当前技术阶段下7B参数模型的能力天花板。

那怎么办？ 我的建议很实际：

        说白了就是：技术要有敬畏心，别指望一个7B的模型能听懂“刚才那个”这种只有人才懂的模糊指代。

总结：怕你忘了，我再啰嗦一遍

        本文解决了什么：给Case01的制造Agent（点击链接看详情）装上了记忆芯片，让它能记住用户之前说过的话。

三个核心认知：

智能工厂对标：本方案对应GB/T 39116-2020中“数据资源”能力域（辅域）——实现对话历史的结构化管理与复用，降低生产管理中的信息沟通成本。

系列导航

• 本文所属系列：【AI赋能数据开发工程手册】

• 上一篇：智联工坊实战：制造知识库工具调用Agent从零搭建（OEE+手册+排班）

• 下一篇：《多工具协同Agent实战》（Case03，即将发布）

互动与交流

        你在用LangChain的Memory时，有没有遇到过“记忆传了但不生效”的尴尬？或者你的本地小模型有没有在“刚才那个”这种问题上翻过车？欢迎评论区吐槽，咱们互相安慰一下。说实话，我调试第5轮翻车的时候，是真的有点郁闷的。

关于作者

     制造业数据与AI践行者老蒋，23年IT老兵。聚焦制造业数据架构与AI融合落地。全流程实战，全源码开源。

标签：#AI Agent #LangChain #制造业数据 #智能工厂 #记忆系统