记忆驱动的AI代理实现短期、长期与情景记忆全链路

背景与意义

随着大模型能力的提升，单轮对话已难以满足复杂任务需求。如何让智能体在多轮交互中保持上下文、复用历史经验成为关键。MarkTechPost在本文中提出了“记忆驱动的AI代理”框架，将短期工作记忆、长线向量记忆和情景记忆层层叠加，实现了信息的高效存储与检索，为构建具备长期学习能力的代理奠定基础。

关键技术实现

• 短期记忆 (Short‑Term Memory)：采用列表结构保存最近 N 条对话，容量可配置（默认 18 条），超出后自动截断。
• 长线向量记忆 (Long‑Term Vector Memory)：基于 FAISS 的平面内积索引，使用 Sentence Transformers（all‑MiniLM‑L6‑v2）生成 384 维归一化向量，实现语义相似检索。每条记忆附带 salience（显著性）与 usage（使用计数）两项权重，支持基于使用衰减的动态排序。
• 情景记忆 (Episodic Memory)：记录完整任务的约束、计划、执行结果及 outcome_score，并通过摘要卡片方式向量化，形成对“什么方案有效” 的快速回溯。

记忆策略设计

class MemoryPolicy:
    def __init__(self, st_max_items=18, ltm_max_items=2000,
                 min_salience_to_store=0.35, novelty_threshold=0.82,
                 topk_semantic=6, topk_episodic=3):
        ...

1. 显著性评分：结合文本长度、数字出现、专有名词等特征，对每条长线记忆计算 salience（0‑1）。
2. 新颖性阈值：在存入前先检索相似向量，若相似度最高低于 0.82，则视为新颖并写入。
3. 使用衰减：检索时对 usage 计数进行惩罚，防止高频记忆占据全部检索结果。
4. 情景价值：依据 outcome_score（0‑1）对任务进行加权，只有价值高于 0.18 的任务才会持久化。

系统运行与示例

1. 记忆写入：对话结束后调用 consolidate()，自动抽取偏好、约束、过程等信息并存入长线记忆。
2. 检索调用：retrieve(query) 同时返回语义向量命中和情景记忆命中，两类结果按加权得分排序。
3. 上下文构建：build_context() 将短期、长线、情景三段拼装为统一提示，供后端 LLM（如 GPT‑4o‑mini）生成答案。

实际运行中，针对“如何在 Colab 中构建代理记忆？”的提问，系统先返回最近的短期对话，然后检索到两条高显著性长线记忆（包括“离线回退的约束”）以及一条成功的情景记忆（任务完成率 0.90），最终输出的答案兼具可执行步骤与避免常见陷阱。

未来展望

• 跨会话共享：将不同会话产生的情景记忆统一写入中心向量库，实现跨用户经验迁移。
• 更细粒度的记忆粒度：引入层次化向量索引（IVF‑PQ）提升大规模记忆检索效率。
• 自监督记忆优化：利用 LLM 生成的自评报告自动调节 salience 与 novelty 参数，实现记忆质量的自适应提升。

通过上述设计，记忆驱动的 AI 代理不再是一次性对话工具，而是具备长期学习、经验复用与自我纠错能力的真正智能体。

作者提示：本文所有代码已在公开 GitHub 仓库同步，欢迎直接在 Colab 环境运行并根据业务需求自行扩展。