探索智能体的记忆：类型、策略和应用

AI Agent 中的记忆：类型、策略和应用

记忆实现是使智能体能够保持上下文、从过去的交互中学习并做出明智决策的关键组成部分。与人类记忆非常相似，智能体记忆允许 AI 系统随时间存储、检索和利用信息，从而为用户创造更连贯和个性化的体验。

Agent 记忆的不同类型

AI Agent 中的记忆系统可以根据两个关键维度进行分类：时间范围（信息保留多长时间）和可访问性范围（谁可以访问信息）。

时间分类

短期记忆

短期记忆侧重于在对话或任务中维持即时上下文：

对话记忆：存储对话历史，允许 Agent 引用先前的消息并保持对话的连贯性。这对于自然的交互至关重要，因为早期交流的上下文会影响后续的响应。
缓冲区记忆：在定义的时间窗口内管理最近的交互，对于多轮推理任务尤其有用。当函数调用依赖于先前操作的结果，形成依赖推理步骤链时，这种类型的记忆变得至关重要。

长期记忆

长期记忆支持跨不同会话的持久性：

跨会话记忆：允许 Agent 回忆先前对话中的信息，即使在会话结束后也是如此。这会随着时间的推移创造一种连续性和个性化的感觉。
知识库记忆：存储事实信息、用户偏好和学习模式，无论它们最初何时记录，都可以访问。

可访问性分类

私有记忆

为单个 Agent 使用而存储的信息：

仅供创建或拥有该记忆的特定 Agent 访问
该 Agent 可以随时读取和修改
用于维护特定于 Agent 的上下文和个人用户信息

共享记忆

可供多个 Agent 使用的信息：

可供系统内已定义的 Agent 组访问
任何具有适当权限的 Agent 都可以读取并可能修改
对于协作式多 Agent 系统至关重要，其中信息共享可提高集体绩效

Agent 记忆的实现方法

基于变量的记忆

实现记忆的最简单方法之一是通过系统或用户定义的变量：

# 基于变量的记忆实现示例
user_preferences = {"language": "English","units": "metric","notification_frequency": "daily"
}# 访问记忆
def generate_response(query, user_id):prefs = user_preferences.get(user_id, default_preferences)# 使用偏好自定义响应return personalized_response

这种方法简单直接，但在处理复杂或非结构化信息方面能力有限。

NL2SQL 数据库记忆

自然语言到 SQL (NL2SQL) 数据库记忆允许通过自然语言进行结构化数据管理：

# NL2SQL 记忆交互示例
async def update_expense_record(user_query):# 将自然语言转换为 SQLsql_query = nl2sql_converter.convert("今天午餐新增一笔 45 美元的开销")# 执行生成的 SQLresult = await database.execute(sql_query)return result

这种方法对于需要结构化数据存储和检索的应用（例如费用跟踪器或库存管理系统）特别强大。

向量数据库记忆

向量数据库将信息存储为嵌入，从而实现语义检索：

# 向量数据库记忆实现示例
from chromadb import ChromaDBVectorMemoryasync def store_information(text_content):# 将文本转换为向量嵌入并存储await vector_memory.add(MemoryContent(content=text_content,mime_type=MemoryMimeType.TEXT,metadata={"category": "user_information", "timestamp": current_time()}))async def retrieve_relevant_info(query):# 检索语义上相似的信息results = await vector_memory.query(query, k=3)return results