【必学收藏】从RAG到AI记忆：构建能“成长“的智能体实现指南

最近在研究智能体的时候，突然意识到一个问题：我们花了这么多时间优化RAG，可能从一开始就搞错了重点。

RAG不是终点，它只是个过渡阶段。真正的未来在AI记忆上。

今天想和你聊聊这个话题，顺便手把手带你实现一个带记忆功能的智能体。

一、先说说这三个阶段

第一阶段：传统RAG(2020-2023)

这个你肯定熟悉。用户问问题，系统检索向量数据库，找到相关文档，塞给大模型，生成回答。整个过程像个流水线，机械但高效。

问题也很明显：检索到的上下文经常不相关，或者说相关但不够精准。你搜"苹果手机发热"，它可能给你返回一堆"手机散热原理"的理论知识，而不是实际的解决方案。

第二阶段：智能体RAG

这时候智能体登场了。它不再傻乎乎地每次都检索，而是会判断：

• 这个问题需要检索吗?
• 该去哪个数据源找?
• 检索结果靠谱吗?

本质上，智能体把RAG变成了一个"工具"，想用就用,不用就不用。

但问题是：它还是只读的。每次对话结束，所有上下文都丢了。下次用户再来，又是从零开始。

第三阶段：AI记忆

这才是真正有意思的部分。

智能体不仅能读取知识，还能写入记忆。它会记住：

• 用户叫什么，做什么工作
• 上次聊到哪儿了
• 用户的偏好和习惯
• 之前解决问题的经验

这意味着什么?意味着智能体终于可以"成长"了。

二、动手实现一个记忆系统

说了这么多理论，咱们来点实际的。我基于Graphiti项目做了个简化版的记忆系统，让你看看这东西到底怎么运作。

先装依赖：

pip install anthropic neo4j graphiti-core

核心代码不复杂，分三块：

1. 初始化记忆引擎

import os
from anthropic import Anthropic
from graphiti_core import Graphiti
from graphiti_core.nodes import EpisodicNode
from datetime import datetime
import asyncio
# ============= 配置部分 =============
# 需要设置以下环境变量:
# export ANTHROPIC_API_KEY="your-api-key"
# export NEO4J_URI="bolt://localhost:7687"
# export NEO4J_USER="neo4j"
# export NEO4J_PASSWORD="your-password"
class MemoryAgent:
"""带记忆功能的AI智能体"""
def __init__(self):
# 初始化Anthropic客户端
self.client = Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))
# 初始化Graphiti记忆引擎
self.graphiti = Graphiti(
neo4j_uri=os.environ.get("NEO4J_URI", "bolt://localhost:7687"),
neo4j_user=os.environ.get("NEO4J_USER", "neo4j"),
neo4j_password=os.environ.get("NEO4J_PASSWORD")
)
async def initialize(self):
"""异步初始化记忆系统"""
await self.graphiti.build_indices()
print("✓ 记忆系统初始化完成")
async def store_memory(self, user_input: str, assistant_response: str, user_id: str = "default_user"):
"""
存储对话记忆
参数:
user_input: 用户输入
assistant_response: 助手回复
user_id: 用户ID
"""
# 构建情景记忆内容
episode_content = f"用户说: {user_input}\n助手回复: {assistant_response}"
# 创建情景节点
episode = EpisodicNode(
name=f"conversation_{datetime.now().isoformat()}",
labels=["Conversation"],
content=episode_content,
source_description="用户对话",
created_at=datetime.now()
)
# 存入图数据库
await self.graphiti.add_episode(
name=episode.name,
episode_body=episode_content,
source_description=episode.source_description,
reference_time=datetime.now()
)
print(f"✓ 记忆已存储: {episode.name}")
async def retrieve_memories(self, query: str, limit: int = 5):
"""
检索相关记忆
参数:
query: 查询文本
limit: 返回结果数量
返回:
相关记忆列表
"""
results = await self.graphiti.search(
query=query,
num_results=limit
)
memories = []
for result in results:
if hasattr(result, 'content'):
memories.append(result.content)
return memories
async def chat(self, user_input: str, use_memory: bool = True):
"""
对话接口
参数:
user_input: 用户输入
use_memory: 是否使用记忆功能
返回:
助手回复
"""
messages = []
# 如果启用记忆,先检索相关历史
if use_memory:
memories = await self.retrieve_memories(user_input, limit=3)
if memories:
context = "以下是相关的历史记忆:\n\n"
for i, memory in enumerate(memories, 1):
context += f"{i}. {memory}\n\n"
context += f"\n基于以上记忆和当前问题,请给出回答。\n\n当前问题: {user_input}"
messages.append({
"role": "user",
"content": context
})
else:
messages.append({
"role": "user",
"content": user_input
})
else:
messages.append({
"role": "user",
"content": user_input
})
# 调用Claude API
response = self.client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
messages=messages
)
assistant_message = response.content[0].text
# 存储本次对话到记忆
if use_memory:
await self.store_memory(user_input, assistant_message)
return assistant_message
async def close(self):
"""关闭连接"""
await self.graphiti.close()
print("✓ 记忆系统已关闭")
# ============= 使用示例 =============
async def demo():
"""演示记忆功能的效果"""
agent = MemoryAgent()
await agent.initialize()
print("\n========== 第一轮对话 ==========")
response1 = await agent.chat("我叫老谭,是一名Python开发者,最近在研究AI智能体")
print(f"助手: {response1}\n")
print("========== 第二轮对话 ==========")
response2 = await agent.chat("我对RAG和向量数据库比较熟悉")
print(f"助手: {response2}\n")
print("========== 第三轮对话(测试记忆) ==========")
response3 = await agent.chat("你还记得我是做什么的吗?")
print(f"助手: {response3}\n")
print("========== 第四轮对话(测试记忆) ==========")
response4 = await agent.chat("根据我的背景,推荐一些学习资源")
print(f"助手: {response4}\n")
await agent.close()
async def interactive_mode():
"""交互式对话模式"""
agent = MemoryAgent()
await agent.initialize()
print("\n=== AI记忆助手已启动 ===")
print("输入 'exit' 退出, 'memory' 查看记忆统计\n")
try:
while True:
user_input = input("你: ").strip()
if user_input.lower() == 'exit':
break
if user_input.lower() == 'memory':
# 这里可以添加记忆统计功能
print("记忆功能正在运行中...")
continue
if not user_input:
continue
response = await agent.chat(user_input)
print(f"\n助手: {response}\n")
finally:
await agent.close()
# ============= 运行脚本 =============
if __name__ == "__main__":
import sys
print("选择运行模式:")
print("1. 演示模式(自动对话)")
print("2. 交互模式(手动输入)")
choice = input("\n请选择 (1/2): ").strip()
if choice == "1":
asyncio.run(demo())
elif choice == "2":
asyncio.run(interactive_mode())
else:
print("无效选择")
sys.exit(1)

这套代码实现了三个核心功能：

• 存储记忆 (store_memory)：把每次对话都存进Neo4j图数据库。注意，这里不是简单的键值存储,而是带语义关系的图结构。
• 检索记忆 (retrieve_memories)：根据当前问题，找出最相关的历史记忆。这里用的是语义搜索，不是关键词匹配。
• 对话 (chat)：把检索到的记忆塞给Claude，让它基于历史上下文回答问题。

2. 环境准备

要跑通这个代码，你需要：

安装Neo4j

最简单的方式是用Docker：

docker run \
--name neo4j \
-p 7474:7474 -p 7687:7687 \
-e NEO4J_AUTH=neo4j/your-password \
neo4j:latest

然后浏览器打开 http://localhost:7474，能看到Neo4j界面就说明启动成功了。

设置环境变量

export ANTHROPIC_API_KEY="你的Claude API Key"
export NEO4J_URI="bolt://localhost:7687"
export NEO4J_USER="neo4j"
export NEO4J_PASSWORD="your-password"

3. 运行测试

代码里我写了两个模式：

• 演示模式：自动跑一组对话，让你看到记忆效果
• 交互模式：你可以手动输入，实时体验

直接运行：

python memory_agent.py
选择1进入演示模式，你会看到类似这样的输出:
========== 第一轮对话 ==========
助手: 你好老谭!很高兴认识你...
========== 第三轮对话(测试记忆) ==========
助手: 当然记得，你是老谭，一名Python开发者,目前在研究AI智能体...

关键点在第三轮：我没有重复说自己的信息，但助手记得。这就是记忆的力量。

三、背后的原理

你可能会好奇：这和传统RAG有什么本质区别?

1、数据结构不同

• 传统RAG：文档切块→向量化→存入向量数据库
• 记忆系统：对话→实体提取→构建知识图谱

向量数据库存的是"相似性"，图数据库存的是"关系"。

举个例子：

• 向量库知道"老谭"和"Python开发"语义相近
• 图数据库知道"老谭"是"Python开发者"，"正在研究"AI智能体

2、写入能力

这是最关键的差异。RAG是只读的，记忆系统是读写的。

每次对话后，系统会:

1. 提取新的实体和关系
2. 更新现有节点的属性
3. 建立新的关联边

这意味着知识图谱是"活"的，会随着交互不断生长。

3、检索策略

• 传统RAG：语义相似度排序
• 记忆系统：图遍历+语义搜索

比如你问"我上周提到的那个bug解决了吗?"，系统会：

1. 找到"上周"的时间节点
2. 遍历相关的"bug"实体
3. 查找最近的"解决状态"属性

这种多跳推理是纯向量检索做不到的。

四、实际应用中的坑

理论很美好，实际操作有不少坑“”

1、记忆污染

用户有时会说错话，或者开玩笑。系统如果全信，记忆就污染了。

我的处理方式是加一个置信度评分：

# 伪代码
if memory_confidence < 0.7:
mark_as_uncertain()

关键信息会要求多次确认才写入永久记忆。

2、遗忘机制

不是所有记忆都该永久保留。"今天天气真好"这种记忆一周后就该忘掉。

可以给记忆加个衰减权重：

memory_weight = base_weight * exp(-decay_rate * time_elapsed)

检索时优先返回高权重记忆。

3、多类型记忆

人的记忆分三种：

• 程序性记忆：怎么做事(骑自行车)
• 情景性记忆：发生了什么(昨天的对话)
• 语义性记忆：知识概念(Python是编程语言)

理想的系统应该分开管理这三种记忆，但实现起来很复杂。目前大部分系统混在一起存，效果其实也还行。

五、为什么这很重要

你可能会想：这不就是个聊天记录搜索吗?有必要搞这么复杂?

区别在于泛化能力。

• 传统聊天记录：你只能搜到说过的原话
• 记忆系统：它能理解你说的，推理出没说的

举个例子：

你说过：“我喜欢喝咖啡，但乳糖不耐”

几天后问：“附近有什么餐厅推荐?”

• 传统系统：推荐一堆餐厅
• 记忆系统：推荐餐厅，同时提醒"建议选择提供植物奶的咖啡店"

它把两条看似无关的记忆关联起来了。这才是真正的智能。

六、未来会怎样

记忆系统现在还在早期。

我觉得接下来会出现：

• 跨智能体的共享记忆(多个AI共享知识)
• 联邦学习的记忆更新(隐私保护)
• 多模态记忆(不只是文字，还有图片、声音)

最激动人心的是持续学习这个方向。

想象一下：你的AI助手今天学会了一个新技巧，明天所有用户的助手都会这个技巧,但不需要重新训练模型。

这才是记忆系统的终极形态。

七、总结

代码放在文章里了，你可以直接拿去跑。

本文只是抛砖引玉，可以参考这个思路，不是推荐某一个开源框架，使用过程中需要注意:

• Neo4j第一次启动会慢，别急
• Claude API有调用限制，别刷太快，也可以替换成国内的开源模型
• 记忆会一直累积，定期清理测试数据

最后说一句：别把记忆系统想得太神。它本质上就是个会写入的RAG,真正的挑战在于决策逻辑——什么该记，什么该忘，什么记忆更重要。

这些问题，现在没人有标准答案。

但这正是有意思的地方，不是吗?

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发