从对话到知识：AI Agent 记忆系统的设计与实现
💡
原文中文，约11600字，阅读约需28分钟。
📝
内容提要
AI Agent 技术逐渐明晰，架构包括感知、决策、存储和行动四个部分。记忆是存储的核心，分为短期和长期记忆，支持上下文一致性、个性化学习和复杂任务拆解。通过提取和更新机制，Agent 能动态管理记忆，提高智能支持的准确性和个性化。
🎯
关键要点
- AI Agent 技术架构包括感知、决策、存储和行动四个部分。
- 记忆是存储的核心，分为短期记忆和长期记忆。
- 上下文一致性是记忆的必要性，Agent 需要记住之前的对话内容。
- 长期偏好学习使 Agent 能够学习用户的习惯。
- 复杂任务拆解要求 Agent 记录每一步的状态，确保任务进度。
- 短期记忆利用上下文窗口存储最近对话，受限于最大 Token 数量。
- 长期记忆相当于经验仓库，分为情境记忆、语义记忆和程序性记忆。
- 记忆的核心操作包括存储和提取。
- 提取阶段动态提取显著信息，更新阶段处理新旧记忆的对比。
- 图存储能够形成知识网，处理复杂逻辑和深度偏好挖掘。
- RAG 技术通过检索增强生成，提高回答的准确性和可靠性。
- 查询扩展策略解决词项不匹配问题，优化检索效果。
- RAG Fusion 通过倒数排名融合算法合并检索结果，过滤干扰信息。
- AI Agent 的记忆系统是其迈向高度智能的核心支柱。
➡️
