智能体的记忆(Memory)系统
智能体的记忆(Memory)系统
智能体的记忆系统是其实现持续学习和情境理解的核心组件。下面我将全面介绍智能体记忆的主要类型、技术原理和实现方式。
一、记忆系统的基本分类
1. 按存储时长分类
类型 | 持续时间 | 容量 | 典型用途 |
|---|---|---|---|
短期记忆 | 秒~小时 | 有限 | 当前对话上下文 |
长期记忆 | 天~永久 | 较大 | 用户偏好、历史经验 |
工作记忆 | 分钟级 | 很小 | 临时计算中间结果 |
2. 按内容类型分类
情景记忆：具体事件和经历
语义记忆：事实和知识
- 程序记忆：技能和操作流程
二、主流记忆类型详解
1. 对话记忆 (Conversation Memory)
from langchain.memory import ConversationBufferMemory# 基本对话记忆实现
memory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "你好！我是AI助手"})
memory.save_context({"input": "今天天气如何"}, {"output": "请告诉我您所在的城市"})print(memory.load_memory_variables({}))
# 输出: {'history': 'Human: 你好\nAI: 你好！我是AI助手\nHuman: 今天天气如何\nAI: 请告诉我您所在的城市'}
变体类型：
ConversationBufferWindowMemory：仅保留最近N轮对话ConversationSummaryMemory：存储对话摘要而非全文ConversationKGMemory：基于知识图谱存储对话实体关系
2. 向量记忆 (Vector Memory)
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings# 创建向量记忆存储
embeddings = OpenAIEmbeddings()
texts = ["苹果是水果", "华为是手机品牌", "Python是编程语言"]
vector_memory = FAISS.from_texts(texts, embeddings)# 相似性检索
result = vector_memory.similarity_search("科技公司", k=1)
print(result[0].page_content) # 输出: 华为是手机品牌适用场景：
大规模知识检索
模糊记忆查询
跨模态记忆
3. 外部记忆 (External Memory)
from langchain.memory import RedisChatMessageHistory# 连接Redis数据库存储记忆
message_history = RedisChatMessageHistory(session_id="user123",url="redis://localhost:6379/0"
)message_history.add_user_message("我喜欢科幻电影")
message_history.add_ai_message("已记录您的偏好")# 后续会话可以读取
print(message_history.messages)常用外部存储：
SQL数据库（PostgreSQL/MySQL）
文档数据库（MongoDB）
键值存储（Redis）
文件系统
4. 情景记忆 (Episodic Memory)
from datetime import datetime
from pydantic import BaseModelclass MemoryItem(BaseModel):content: strtimestamp: datetimeimportance: floatclass EpisodicMemory:def __init__(self):self.memories = []def add(self, content: str, importance: float = 0.5):self.memories.append(MemoryItem(content=content,timestamp=datetime.now(),importance=importance))def recall_recent(self, n: int = 3):return sorted(self.memories, key=lambda x: x.timestamp,reverse=True)[:n]# 使用示例
ep_memory = EpisodicMemory()
ep_memory.add("用户喜欢蓝色", importance=0.7)
ep_memory.add("用户是程序员", importance=0.9)
print([m.content for m in ep_memory.recall_recent()])5. 程序记忆 (Procedural Memory)
class SkillLibrary:def __init__(self):self.skills = {"math": {"description": "数学计算能力","function": self._math_processor},"translation": {"description": "中英翻译能力","function": self._translate}}def _math_processor(self, expression: str) -> float:try:return eval(expression)except:return Nonedef _translate(self, text: str) -> str:# 实际实现会调用翻译APIreturn f"Translated: {text}"def execute(self, skill_name: str, input_data: str):if skill_name in self.skills:return self.skills[skill_name]["function"](input_data)return None# 使用示例
skill_memory = SkillLibrary()
print(skill_memory.execute("math", "3*(4+5)")) # 输出: 27