彻底告别“金鱼记忆”！LangChain1.0神操作：给你的RAG智能体装上“超级大脑”！-优快云博客

我们之前在《[LangChain1.0教程：使用RAG Agent和RAG Chain构建RAG智能体]》文章中介绍的 RAG Agent 可以调用检索工具回答用户的问题，

但是这个 Agent 仅仅能完成一次用户查询，它无法记住先去与用户的交互。

对于 Agent 而言，记忆（memory）至关重要，因为它使它们能够记住之前的交互内容、从反馈中学习，并适应用户的偏好。随着 Agent 处理的任务日益复杂、涉及的用户交互越来越多，这种能力对提升效率和用户满意度变得尤为关键。

短期记忆（short-term memory）使我们的应用程序能够在单个对话线程（thread）中记住之前的交互内容。

聊天模型通过消息接收上下文，这些消息包括指令（系统消息）和输入（用户消息）。在聊天应用中，消息通常在用户输入和模型回复之间交替出现，所以我们可以通过消息列表来实现短期记忆。

但是随着用户交互的不断增加，这个消息列表会随时间不断增长。长对话对当今的 LLM 带来了挑战：

完整的对话历史可能无法容纳在模型的上下文窗口内，从而导致上下文丢失或错误。
即使你的模型支持足够长的上下文长度，大多数 LLM 在处理长上下文时的表现仍然不佳。它们容易被陈旧或离题的内容“分散注意力”，同时还会面临响应速度变慢和成本增加的问题。

在这个视频中我介绍了：

如何通过消息列表给智能体应用加上短期记忆功能；
为了应对消息列表过长导致超过 LLM 上下文窗口限制的方法：

Trim Messages：在调用 LLM 之前移除前 N 条或后 N 条消息。
Delete messages：删除指定的消息
Summarize messages：将前面的消息内容总结以缩短消息列表长度

自定义 AgentState：加上自己想要智能体记住的东西

如何学习大模型 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。

在这里插入图片描述