3.1 记忆的认知模型
在设计智能体（Agent）之前，需要先回答一个根本性问题：智能体的"记忆"到底是什么？
如果不理解记忆的本质，很容易陷入"把所有东西都塞进向量数据库"的误区。本节将从认知科学和计算机工程的双重视角，重新解构智能体的记忆系统。
3.1.1 参数记忆与非参数记忆
首先，需要区分两种最基础的记忆形态：
1. 参数记忆
这是模型 内部 的记忆，存储在神经网络的权重（Weights）中。
类比：人类的本能与潜意识知识。
特点：
难以修改：需要昂贵的训练（Training）或微调（Fine-tuning）才能更新。
模糊：信息被压缩为概率分布，容易产生"幻觉"（Hallucination）。
静态：截止于训练结束的那一刻（Knowledge Cutoff）。
2. 非参数记忆
这是模型 外部 的记忆，通常以文本、向量或结构化数据的形式存在。
类比：人类的笔记、书本或外脑。
特点：
易通过检索获取：通过 RAG（检索增强生成）或工具调用即时读取。
精确：可以逐字逐句地引用原始记录。
动态：可以随时插入、更新或删除。
Agent 的核心：智能体系统的本质，就是构建一个强大的 非参数记忆系统，以弥补大模型参数记忆的滞后性和不准确性。
3.1.2 认知架构：从 Atkinson-Shiffrin 到现代 Agent
受 1968 年 Atkinson-Shiffrin 的多重存储模型（Multi-Store Model）启发，现代智能体的记忆架构通常被划分为三个层级：感官记忆、工作记忆、长期记忆。
图 3-1：Atkinson-Shiffrin 多重存储模型
1. 感官记忆
定义：原始输入的瞬时缓冲区。
Agent 映射：
用户输入的原始提示词。
多模态输入（图片像素、音频波形）。
API 返回的原始 JSON 数据。
特点：容量大但衰减极快。如果不被"注意"（写入上下文窗口），就会立即消失。
2. 工作记忆
定义：当前正在活跃处理的信息及其推理过程。这不仅仅是"短期记忆"，更强调加工（Processing）能力。
Agent 映射：上下文窗口 (Context Window)。
关键组件：
语音回路 (Phonological Loop)：对应的对话历史（Chat History）。
视觉空间画板 (Visuo-Spatial Sketchpad)：对应的多模态输入处理。
中央执行系统 (Central Executive)：对应的 CoT (Chain of Thought) 推理过程。
限制：虽然一些模型已支持更长的上下文窗口，但"注意力稀释"（Lost in the Middle）现象依然存在——窗口越大，推理精度越低。
3. 长期记忆
这是 Agent 区别于普通 Chatbot 的关键。它分为四类：
情景记忆
个人经历的序列纪录
"我昨天吃了寿司"
对话日志、交互历史
向量数据库 (Vector DB)
语义记忆
事实与世界知识
"寿司是日本食物"
领域文档、百科知识
知识图谱 (Knowledge Graph) / RAG
程序记忆
执行任务的技能
"如何骑自行车"
工具 (Tools)、代码解释器
函数定义 (Function Schemas)
反思记忆
元认知与经验教训
"我不该空腹吃生鲜"
优化后的 Prompt、SOP 改进 (e.g., .cursor/rules)
提示词库 / 元数据存储
补充：反思记忆 许多架构忽略了这一点。反思记忆是智能体自我进化的关键。当 Agent 犯错并修正后，它应该将"教训"存储下来（例如："查询 SQL 时对于日期字段必须加引号"）。下次遇到类似任务时，先检索"经验教训"，而非重蹈覆辙。
3.1.3 记忆的工程映射
下文将上述认知模型映射到具体的工程组件：
工作记忆
Context Window
[{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]
情景记忆
Vector DB
vector(embedding) -> {"text": "User prefers python", "timestamp": 1712345678}
语义记忆
Graph DB / RAG
(Entity: Python) --[is_a]--> (Language)
程序记忆
Tools / Plugins
def search_web(query): ...
3.1.4 理论溯源与进阶架构
斯坦福小镇 (Generative Agents)
有研究工作提出了记忆检索的三条常见经验法则：
近期性 (Recency)：刚发生的事情权重更高。
重要性 (Importance)：对智能体目标影响大的事情权重更高（例如“结婚”与“吃早饭”）。
相关性 (Relevance)：与当前 Context 语义相似度高的事情权重更高。
Score=α⋅Recency+β⋅Importance+γ⋅Relevance
MemGPT: 操作系统隐喻
MemGPT 引入了 OS 的概念：
Main Context (RAM)：昂贵、有限。
External Context (Disk)：廉价、无限。
Paging (分页)：Orchestrator 动态决定将哪些记忆页（Memory Pages）从磁盘加载到 RAM，或将 RAM 中的闲置信息 Swap 到磁盘。
3.1.5 案例：用户偏好记忆机制
不少产品形态会加入“用户偏好记忆”（Preference Memory）：不只存对话日志，还会抽取用户的偏好与背景上下文，以减少重复指令并提升体验。
核心机制
它不是 RAG 那样的"查文档"，而是维护一个动态更新的 Profile：
当用户说："别用 any！"，系统会更新 Profile："User dislikes any types"。 这种机制极大地减少了重复指令（Repetitive Prompting），是提升用户体验的低成本高收益手段。
下一节: 3.2 短期记忆管理 将深入探讨如何高效管理昂贵的上下文窗口。
Last updated