上一章解决的是单次交互的上下文管理。这一章要处理一个更难的问题：如何让 Agent 在对话结束后仍然记住用户、记住知识。

这种持久化的记忆体系可以从两个尺度来理解。用户记忆是针对单个用户的个性化记忆——Agent 在与每位用户的交互中逐渐了解其偏好、习惯和需求，构建专属于该用户的知识模型。知识库则是面向所有用户共享的集体知识——比如一个行业的法规体系、一家公司内部的操作流程、一个技术领域的专业文档。前者让 Agent 成为“懂你的助手”，后者让 Agent 成为“领域专家”。

两者解决的其实是同一个问题，只是尺度不同：一个关注个体，一个关注群体。也正因如此，两者共用许多底层技术——向量检索、知识压缩——也面临同样的麻烦：信息冲突、知识过期、检索不准。

延续第二章的上下文工程思路，本章将从单次会话的上下文管理扩展到跨会话的持久化知识体系。我们首先探讨如何构建用户记忆系统，然后深入知识库的检索增强生成（RAG）技术及其在增强用户记忆中的应用。

要让 Agent 跨会话提供个性化服务，需要一层持久的用户记忆。它不保存每句对话，而是用额外的 LLM 调用提取、压缩并审查对未来有用的事实；这与只在当前窗口生效的上下文学习不同。

用一个具体的例子来理解这个过程。假设用户和 Agent 有以下对话：