Codex 的长期记忆是怎么实现的？ 沉默王二 原创 AI 面试 AI Agent 面试题 OpenAI Codex 长期记忆 项目经验 约 922 字 大约 3 分钟 AI的药，绝不能停 #030 你想不想知道 Codex 的长期记忆是如何实现的？为什么 Codex 用得越久，似乎越聪明？似乎更了解你的偏好？ AI Agent 面试题 OpenAI Codex 长期记忆 项目经验 WATCH / 抖音视频 在抖音打开 王二讲Agent 每天3分钟，带你吃透Agent。 我研究了 Codex 的开源仓库，尤其是关于记忆机制的源码，也查了我本地的 SQLite——Codex 会把长期记忆放这里，可以自信地、大方地、光明磊落地帮你搞清楚三件事： 长期记忆是怎么形成的？ 记忆越来越多，要不要删掉？ 最终的长期记忆是什么样子？

哈喽大家好，我是二哥呀。今天用 3 分钟，给你讲清楚 Codex 的长期记忆是怎么实现的。 先说第一件事。每次对话是怎么变成长期记忆的。 不是每次聊完就存。Codex 会在你开新任务（或者叫线程）时，后台处理之前的旧任务，把里面值得保存的记忆存下来。 Codex 会派一个子 Agent 读历史对话，并按照这个优先级来提取长期记忆：先读你说了什么、工具跑了什么结果，模型回复的内容只做参考。 然后判断这段记忆存下来，Agent 会不会因此表现更好？ 不会？那就不存。 这一刀砍下来，直接就砍掉了大量的“你好”、“谢谢”、“OK”这种意义不大的内容。生成完还会脱敏，API Key、密码都会被替换掉。

会，就存到 SQLite。 那聪明的你肯定想到了，每次新任务都会生成长期记忆，时间一长 SQLite 不就爆了？ Codex 显然和聪明的你一样，想到了一个巧妙的解决办法。 每条记忆记有两个指标：usage_count，也就是被引用几次；last_usage，也就是最后使用时间。 有了这两个字段，事情就好办多了。用得多的记忆排前面，长期没用过的逐渐淘汰。 注意，这一步没有用向量相似度打分，也没有 Embedding，没有 Top-K。就是用频率加时效排序。简单，实用。

那聪明的你肯定又要问了，排序是排序了，然后呢？ 接下来，进入第二阶段。取排名靠前的记忆，启动一个新的子 Agent，把这些记忆分门别类。 第一层是记忆总结，主要是高密度的用户画像，新任务会自动注入上下文。这样新的任务一上来就知道你是谁。 第二层是详细操作手册，会按关键词搜索。我本地的 MEMORY.md 目前有一千六百多行，只搜索关键词其实也非常快。 第三层是每个任务的详细证据——做了什么、踩了什么坑。 第四层是skills。把重复的流程升级成可复用的标准，有触发条件、有步骤、有检查方式。

有个细节需要注意。第二阶段的子 Agent 权限很小：不能联网，不能派子 Agent，不能读自己的旧记忆。 为什么？ 防止“记住自己在生成的记忆”，对记忆总结造成污染。 最后简单总结下。 Codex 的长期记忆先是 LLM 提炼总结，然后用 SQLite 做中转，再然后用 Markdown 按照使用次数、时效进行整理。 打开你本地的 ~/.codex/memories/ 文件夹，就可以看到 Codex 的长期记忆文件。

这个知识点你学废了吗？想解锁更多 AI 硬核知识，点赞关注，我是二哥，咱们下期见！

在 GitHub 上编辑此页 上次编辑于: 贡献者: 沉默王二 上一页 Codex 短期记忆