Mastra 的 Observational Memory 记忆系统是如何工作的？

1. 双 Agent 压缩架构

Observational Memory 由两个后台 Agent 组成：Observer（观察者）和 Reflector（反思者）。Observer 持续监控对话，当未观察的消息累积到 30,000 token（默认阈值，可配置）时，将原始消息压缩为新的观察条目。Reflector 负责管理观察日志的生命周期，当观察条目累积到 40,000 token 时，合并相关条目、删除过时信息。

2. 日志格式与优先级

观察条目采用纯文本日志格式，而非结构化对象。每条观察包含日期、时间戳和内容，使用 emoji 标记优先级：红色圆圈（重要）、黄色圆圈（可能重要）、绿色圆圈（仅供参考）。这种设计让语言模型能够高效识别信息权重，同时保持人类可读性。

3. 稳定上下文窗口

系统将上下文窗口分为两个区块：前部是观察日志，后部是原始消息历史。新消息追加到后部，直到达到阈值触发压缩。由于观察区块是追加式的，系统提示词和已有观察形成一致的前缀，可以利用 Anthropic、OpenAI 等提供商的提示词缓存机制，将 token 成本降低 4～10 倍。

4. 性能表现

在 LongMemEval 基准测试中，Observational Memory 使用 gpt-5-mini 达到 94.87% 准确率，是公开记录的最高分；使用 gpt-4o 达到 84.23%，超过官方 oracle 配置（仅提供包含答案的对话）2 个百分点。对于工具密集型任务，压缩比可达 5～40 倍。