网站开发于制作总结推广普通话内容

1. 长期记忆的重要性

• 丢失上下文：AI智能体忘记过去互动中的重要信息。
• 通用回应：没有适当记忆，AI智能体回复变得不个性化且不准确。
• 信任侵蚀：当AI智能体无法记住基本偏好时，用户失去信心。

2. RAG不适合作为长期记忆系统

电商场景案例

• 用户表达对阿迪达斯运动鞋的喜爱。
• 用户鞋子坏了，偏好转向彪马。
• 用户询问运动鞋推荐，基于RAG的系统错误推荐阿迪达斯。

核心问题

• 时间顺序：哪个事实先出现。
• 因果关系：鞋子坏了→失望→偏好变化。
• 事实失效：“喜欢阿迪达斯”应被后来事件覆盖。

3. 向量嵌入 VS 知识图谱

向量嵌入问题

• 事实作为孤立点存在，无明确关系。
• 查询找到最相似向量嵌入，错过因果链和时间上下文。

知识图谱优势

• 明确用时间有效期建模关系。
• “喜欢”关系失效时间、因果链接和新“喜欢”关系有效性。

4. 知识图谱实现方法

关键特点

• 时间感知：跟踪事件发生时间和学习时间。
• 关系性：实体+关系+社区。
• 实时性：动态更新无需昂贵重新计算。
• 秘密武器：双时间记忆。

5. 双时间记忆

时间模型

• created_at：学习事实时间。
• valid_at：事件实际发生时间。
• invalid_at：事实变得不真实时间。
• expired_at：学习到不再有效时间。

支持时间推理

• 如“用户在二月份的偏好是什么？”。

6. 智能冲突解决

冲突处理

• 新事实：“阿迪达斯鞋坏了，用户不高兴”。
• 检测冲突：“喜欢阿迪达斯”关系失效。
• 时间解决：设置invalid_at日期并创建因果边。
• 结果：为每个偏好设置清晰时间边界。

7. 混合检索

检索方法

• 语义搜索：通过嵌入向量找到相关内容。
• 关键词搜索：BM25全文搜索特定术语。
• 子图遍历：从初始结果导航关系。
• 结果融合：结合所有方法获得全面上下文。

8. 特定领域的记忆

领域建模

• 心理健康应用与电商AI智能体记忆类型不同。
• 使用pydantic定义自定义实体和边。
• 动态整合对话和业务数据，实现相关检索。

9. 记忆 ≠ 知识检索

• 记忆需求：
  • 处理时间序列、因果关系和动态更新。
  • 提供更准确、更个性化服务。