Appearance
智能体记忆管理
智能体的价值在于两件事：调用工具执行任务、随时间不断进步。记忆正是打造“可自我优化”智能体的基石。
引言
- 认识智能体记忆及其重要性；
- 实现与存储记忆的常用方法（短期、长期）；
- 记忆如何帮助智能体自我提升。
学习目标
- 区分工作记忆、短期记忆、长期记忆以及 persona、情节、实体等特定记忆类型；
- 结合 Semantic Kernel、Mem0、Whiteboard、Azure AI Search 等工具实现记忆体系；
- 理解自我改进智能体背后的原理与记忆管理机制。
什么是智能体记忆
记忆即智能体的“留存与回忆”机制，可包含对话细节、用户偏好、历史操作乃至学习到的模式。没有记忆的智能体是无状态的，每次交互都从头开始，用户体验极差。
为什么记忆重要
- 反思：从过往成功/失败中学习；
- 互动：维持对话上下文；
- 主动/被动：基于历史数据预测或应对需求；
- 自主：凭借积累知识独立行动。
目标是让智能体更可靠、更有能力。
记忆类型
- 工作记忆：如同便签纸，存放当前步骤所需的即时信息。
- 示例：预订旅行时保留“我要去巴黎”这一即时需求。
- 短期记忆：限定在单次对话会话内，跟踪前后文。
- 示例：用户问“那里住宿如何？”时，知道“那里”指巴黎。
- 长期记忆：跨会话持久存在的偏好与历史。
- 示例：记得“Ben 喜欢滑雪和山景咖啡，不要高难度雪道”。
- Persona 记忆：确保智能体保持一致的人设或角色。
- 示例：提醒自己是“资深滑雪规划师”。
- 情节记忆（Episodic）：记录复杂任务的步骤、成功或失败案例。
- 示例：记住某次航班预订失败，便于后续尝试不同方案。
- 实体记忆：提取并记住人名、地点、事件等实体。
- 示例：记住用户曾在 “Le Chat Noir” 用餐。
- 结构化 RAG：以结构化方式抽取信息，提升检索精度与速度。
- 示例：从邮件中解析航班信息并结构化存储，支持精确查询。
记忆实现与存储
记忆管理包含生成、存储、检索、整合、更新乃至“遗忘”。其中检索尤为关键。
专门的记忆工具
例如 Mem0 提供持久记忆层，支持两阶段流水线：
- 抽取：使用 LLM 概括对话并提取新记忆；
- 更新：判断新增、修改或删除，并存入混合数据库（向量/图/键值）。
这样无状态智能体即可转化为有状态智能体，支持多种记忆类型。
结合 RAG 存储记忆
还可以利用 Azure AI Search 等搜索服务作为记忆后端，特别适合结构化 RAG。将用户数据或业务知识存入索引，既能提升回答准确性，又能满足个性化需求。
Azure AI Search 支持结构化 RAG，能够从对话、邮件、图片等多种来源抽取结构化信息，精准召回。
让智能体自我提升
常见做法是引入“知识智能体”：
- 观察主对话，识别有价值的信息；
- 抽取并总结；
- 存入知识库（向量数据库等）；
- 在未来对话中检索相关内容并追加到提示或上下文。
优化建议
- 延迟控制：先用小模型快速判断是否值得存储/检索，必要时再调用复杂流程；
- 知识库维护：罕用信息可降级到冷存储，控制成本。
常见问题交流
欢迎加入 Azure AI Foundry Discord，继续讨论智能体记忆。