AI智能体记忆全解析：从RAG到智能体化RAG再到记忆管理的演进之路！

原创于 2025-12-27 16:27:29 发布 · 157 阅读

CC 4.0 BY-SA版权

文章标签：

#人工智能 #数据库 #机器学习 #深度学习 #chatgpt #大模型学习 #大模型教程

在学习 AI 智能体（AI Agents）的记忆相关知识时，被各种新术语搞得不知所措。一开始是 “短期记忆” 和 “长期记忆”，后来又出现了 “程序性记忆”、“情景记忆” 和 “语义记忆”，这就更混乱了。但等等，“语义记忆” 让我想到了一个熟悉的概念：检索增强生成（RAG）。

难道 AI 智能体的记忆，是基础 RAG 演进到 AI 智能体化 RAG 之后的合理下一步？本质上，AI 智能体的记忆核心是 “将信息传入和传出大型语言模型（LLM）的上下文窗口”。至于这些信息被称为 “记忆” 还是 “事实”，在这个抽象概念下并不重要。

本文将从一个不同的角度，介绍 AI 智能体的记忆。我们暂时不讨论 “短期记忆” 和 “长期记忆”，而是从 “朴素 RAG” 概念逐步演进到 “AI 智能体化 RAG”，再延伸到 “AI 智能体记忆”（注：这是一个简化的思维模型。AI 智能体记忆的完整主题在底层更为复杂，涉及记忆管理系统等内容）。

一、RAG：一次性只读模式

检索增强生成（RAG）的概念由 Lewis 等人于 2020 年提出，并在 2023 年左右开始流行。它是首个让 “无状态 LLM” 能够获取两类信息的概念：一是过往对话内容，二是 LLM 在训练过程中未接触过、未存储在模型权重中的知识（即 “参数化知识”）。

朴素 RAG（naive RAG）的工作流程核心很简单，如下图所示：

离线索引阶段：将额外信息存储到外部知识源（比如：向量数据库）中；
查询阶段：根据用户的查询，从外部知识源中检索相关上下文；将检索到的上下文与用户查询一起输入 LLM，让 LLM 基于这些额外信息生成有依据的回复。

以下伪代码展示了朴素 RAG 的工作流程：

# 第一阶段：离线摄入
def store_documents(documents):  # 定义“存储文档”函数
for doc in documents:  # 遍历所有待存储文档
embedding = embed(doc)  # 对文档进行嵌入（生成向量表示）
database.store(doc, embedding)  # 将文档及其向量存储到数据库
# 第二阶段：在线检索+生成
def search(query):  # 定义“检索”函数
query_embedding = embed(query)  # 对用户查询进行嵌入
results = database.similarity_search(query_embedding, top_k=5)  # 相似度检索，取Top5结果
return results  # 返回检索结果
def answer_question(question):  # 定义“回答问题”函数
# 先检索，再生成回复（固定流程）
context = search(question)  # 调用检索函数，获取上下文
prompt = f"上下文：{context}\n问题：{question}\n答案："  # 构造提示词
response = llm.generate(prompt)  # LLM生成回复
return response  # 返回回复

尽管朴素 RAG 能有效减少简单场景下 LLM 的 “幻觉”（生成无依据内容），但它存在一个关键局限：

从外部知识源检索信息时，不会先判断 “是否需要这些信息”；
无论检索到的信息是否相关、是否正确，都只进行一次检索；
所有额外信息都依赖单一外部知识源存储。

这些局限意味着：在更复杂的场景中，如果检索到的上下文与用户查询无关甚至有误，LLM 仍可能产生 “幻觉”。

二、AI 智能体化 RAG：通过工具调用实现只读

AI 智能体化 RAG（Agentic RAG）解决了朴素 RAG 的诸多局限：它将 “检索步骤” 定义为智能体可调用的一种工具。这一改变让 AI 智能体能够：

先判断 “是否需要额外信息”；
决定使用哪种工具进行检索（比如：存储专有数据的数据库 vs 网页搜索）；
评估检索到的信息是否与用户查询相关。

以下伪代码展示了 AI 智能体在 AI 智能体化 RAG 流程中如何调用 SearchTool（检索工具）：

class SearchTool:  # 定义“检索工具”类
def __init__(self, database):  # 初始化工具，关联数据库
self.database = database
def search(self, query):  # 定义“检索”方法
query_embedding = embed(query)  # 对查询进行嵌入
results = self.database.similarity_search(query_embedding, top_k=5)  # 相似度检索Top5
return results  # 返回检索结果
def agent_loop(question):  # 定义“智能体循环”函数（核心逻辑）
messages = [{"role": "user", "content": question}]  # 初始化对话历史，存入用户问题
while True:  # 循环：持续判断是否需要调用工具
# LLM生成响应，同时告知其可使用SearchTool
response = llm.generate(
messages,
tools=[SearchTool]
)
if response.tool_calls:  # 如果LLM决定调用工具
for tool_call in response.tool_calls:  # 遍历所有工具调用请求
if tool_call.name == "search":  # 若调用的是“检索工具”
results = search_tool.search(tool_call.arguments["query"])  # 执行检索
# 将检索结果存入对话历史，角色标记为“工具”
messages.append({
"role": "tool",
"content": f"检索结果：{results}"
})
else:  # 如果LLM不调用工具，直接返回生成的回复
return response.content

朴素 RAG 与 AI 智能体化 RAG 有一个共同点：信息均在离线阶段存入数据库，而非在推理（inference）阶段存储。这意味着：AI 智能体只能 “检索” 数据，无法在推理阶段对数据进行 “写入、修改或删除”。这一局限导致：默认情况下，朴素 RAG 和 AI 智能体化 RAG 系统都无法从过往交互中学习并改进。

三、AI 智能体记忆：通过工具调用实现读写

AI 智能体记忆（Agent Memory）通过引入 “记忆管理概念”，解决了朴素 RAG 和 AI 智能体化 RAG 的上述局限。它让 AI 智能体能够从过往交互中学习，并通过更具个性化的方式提升用户体验。

AI 智能体记忆的概念建立在 AI 智能体化 RAG 的基本原则之上：它同样通过工具从外部知识源（记忆库）中检索信息。但与 AI 智能体化 RAG 不同的是，AI 智能体记忆还能通过工具向外部知识源 “写入” 信息，具体流程如下：

这一能力让 AI 智能体不仅能 “回忆”（从记忆库中检索）信息，还能 “记住”（向记忆库中存储）信息。其最简单的实现形式是：在一次交互结束后，将原始对话历史存入一个集合（collection）；之后，AI 智能体可通过检索过往对话找到相关信息。

若要进一步扩展，还可让 “记忆管理系统” 生成对话摘要并存储，以备后续参考；甚至能让 AI 智能体在对话中主动识别重要信息（比如：用户提到喜欢用表情符号、或提及自己的生日），并基于这些事件创建记忆。

以下伪代码展示了 “ AI 智能体记忆” 如何在 AI 智能体化 RAG 的基础上，通过新增 WriteTool（写入工具）实现信息存储：

class SearchTool:  # 定义“检索工具”类
def __init__(self, database):  # 初始化工具，关联数据库
self.database = database
def search(self, query):  # 定义“检索”方法
results = self.database.search(query)  # 执行检索
return results  # 返回检索结果
# 为简化演示，此处仅定义“写入工具”；实际中还可添加“更新、删除、整合”等工具
class WriteTool:  # 定义“写入工具”类
def __init__(self, database):  # 初始化工具，关联数据库
self.database = database
def store(self, information):  # 定义“存储”方法
self.database.store(information)  # 将信息存入数据库
def agent_loop(question):  # 定义“智能体循环”函数（核心逻辑）
messages = [{"role": "user", "content": question}]  # 初始化对话历史，存入用户问题
while True:  # 循环：持续判断是否需要调用工具
# LLM生成响应，同时告知其可使用SearchTool和WriteTool
response = llm.generate(
messages,
tools=[SearchTool, WriteTool]
)
if response.tool_calls:  # 如果LLM决定调用工具
for tool_call in response.tool_calls:  # 遍历所有工具调用请求
if tool_call.name == "search":  # 若调用“检索工具”
results = search_tool.search(tool_call.arguments["query"])  # 执行检索
# 将检索结果存入对话历史
messages.append({
"role": "tool",
"content": results
})
elif tool_call.name == "store":  # 若调用“写入工具”
result = write_tool.store(
tool_call.arguments["information"]  # 获取待存储信息
)
# 将存储结果存入对话历史
messages.append({
"role": "tool",
"content": result
})
else:  # 如果LLM不调用工具，直接返回生成的回复
return response.content

四、这一简化思维模型的局限性

正如本文开头所说，上述对 AI 智能体记忆的对比仅为 “简化思维模型”，它帮助我将 “ AI 智能体记忆” 与已熟悉的 RAG 概念关联起来，但为了避免让大家误以为 “AI 智能体记忆只是‘带写入功能的 AI 智能体化 RAG’”，需要强调这一简化模型的几个局限性：

单一记忆源的简化：为清晰起见，上述模型仅展示了 “单一记忆源”，但实际应用中，不同类型的记忆可使用不同的存储源。例如，可参考 CoALA 论文的思路，为以下三类记忆分别建立独立的数据集：

“程序性记忆”（如 “与该用户互动时使用表情符号”）；
“情景记忆”（如 “用户在 10 月 30 日提到过计划旅行”）；
“语义记忆”（如 “埃菲尔铁塔高 330 米”）；此外，还可单独为 “原始对话历史” 建立数据集。

缺少复杂记忆管理策略：上述模型仅涵盖了 “CRUD 操作”（创建、读取、更新、删除），但未包含更复杂的记忆管理策略，比如：MemGPT（记忆生成式预训练 Transformer）中提到的高级策略。
新增挑战未体现：尽管 AI 智能体记忆实现了 “记忆持久化”，但也带来了 RAG 和 AI 智能体化 RAG 没有的新挑战，例如 “记忆损坏”，以及对 “遗忘” 等记忆管理策略的需求。

五、总结

本质上，RAG、AI 智能体化 RAG 和 AI 智能体记忆的核心差异，在于 “如何对外部知识源（比如：文本文件、数据库）中存储的信息进行创建、读取、更新和删除（CRUD）”。

类型	信息存储方式	信息检索方式	信息编辑与删除方式
RAG	在摄入阶段离线进行	一次性检索	需手动操作
AI智能体化 RAG	在摄入阶段离线进行	通过工具调用动态检索	需手动操作
AI 智能体记忆	通过工具调用动态存储	通过工具调用动态检索	通过工具调用动态操作

最初，优化朴素 RAG 的核心焦点在于 “检索环节”，比如：采用向量检索、混合检索、关键词检索等不同技术（即 “如何检索信息”）；随后，焦点转向 “工具选择”，即 “是否需要检索信息？若需要，从哪个知识源检索？”；过去一年，随着 AI 智能体记忆的兴起，焦点再次转移：RAG 和 AI 智能体化 RAG 均以 “检索” 为核心，而 AI 智能体记忆则融入了对外部知识源中数据的 “创建、修改和删除” 操作，核心变为 “如何管理信息”。

六、如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到优快云的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述