虹线
·
一个新的 AI 记忆层概念：哈勃半径
💡
原文中文，约6900字，阅读约需17分钟。
📝
内容提要
文章探讨了为AI代理设置三层记忆：第一层是“我知道的”，记录个人事实；第二层是“我应该知道的”，通过LLM Wiki整理知识；第三层是“我可能知道的”，即哈勃半径，涵盖未读但关注的信息源。哈勃半径帮助AI在回答问题前了解用户的个人信息宇宙，从而提升个性化体验。
🎯
关键要点
- 文章探讨了为AI代理设置三层记忆：第一层是“我知道的”，记录个人事实；第二层是“我应该知道的”，通过LLM Wiki整理知识；第三层是“我可能知道的”，即哈勃半径，涵盖未读但关注的信息源。
- 第一层记忆使用切片式RAG系统，记录用户的个人事实和近期活动，帮助AI了解用户的当前状态。
- 第二层记忆是LLM Wiki，整理用户的知识和信息，形成结构化的知识网，帮助AI理解用户的长期问题和知识网络。
- 第三层哈勃半径记录用户可能接触到的信息源，帮助AI在回答问题前了解用户的个人信息宇宙，提升个性化体验。
- 哈勃半径的意义在于将用户的关注源整合为一个可调用的信息宇宙，使AI能够在回答问题时优先考虑用户的背景和信息，而不是依赖公共搜索引擎。
- 哈勃半径不是一个搜索引擎，而是一个记忆层，强调上下文的限定和用户的长期关注，帮助AI更好地理解用户的需求和偏好。
- 每个重度使用AI的人都需要自己的哈勃半径，以便AI能够更好地反映用户的个人经验和信息环境。
❓
延伸问答
哈勃半径在AI记忆层中有什么作用？
哈勃半径帮助AI了解用户的个人信息宇宙，提升个性化体验，使其在回答问题前考虑用户的背景和信息。
AI的三层记忆分别是什么？
三层记忆分别是：第一层是‘我知道的’，记录个人事实；第二层是‘我应该知道的’，通过LLM Wiki整理知识；第三层是‘我可能知道的’，即哈勃半径，涵盖未读但关注的信息源。
如何构建哈勃半径？
构建哈勃半径需要将关注源通过工作流处理成文字，汇总到私有搜索引擎中，以便AI在回答问题时调用这些信息。
哈勃半径与传统搜索引擎有什么区别？
哈勃半径关注的是用户的个人信息宇宙，而传统搜索引擎则是全网信息的检索，哈勃半径强调上下文和用户的长期关注。
为什么每个重度使用AI的人都需要哈勃半径？
每个重度使用AI的人需要哈勃半径，以便AI能够更好地反映用户的个人经验和信息环境，提升个性化服务。
哈勃半径如何影响AI的回答质量？
哈勃半径通过提供用户可能接触到的信息，帮助AI在回答问题时更准确地反映用户的需求和偏好，从而提升回答质量。
➡️
