LangMem 三种记忆类型学习总结

原创于 2025-11-13 14:50:07 发布 · 376 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#langgraph

LLM 同时被 2 个专栏收录

24 篇文章

订阅专栏

langgraph

4 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

LLM 智能体中的三类记忆系统：从对话经验到行为智能

在构建具备长期记忆能力的大语言模型（LLM）智能体（Agent）时，如何组织和利用记忆是决定系统智能水平的关键。受人类认知科学启发，LLM 应用中的记忆常被划分为三类：情景记忆（Episodic Memory）、语义记忆（Semantic Memory） 和 程序性记忆（Procedural Memory）。这三类记忆并非孤立存在，而是在实际系统中呈现出清晰的衍生关系：情景记忆是基础经验来源，语义记忆与程序性记忆则是对其的抽象与升华。

一、情景记忆：对话经验的原始载体

情景记忆记录了智能体与用户在特定时间、特定上下文中的交互历史，其核心特征是时间性、场景性和个人相关性。

表现形式：原始对话消息列表（如用户说“我想吃西红柿”，AI 回“好的”），通常附带时间戳、用户 ID 等元数据。
作用：支持模糊回忆（如“我上周说了什么？”）、上下文延续（“接着刚才聊”）。
存储方式：对话日志表（如 MySQL 的 conversation_history），或配合向量库实现语义检索。

✅ 情景记忆是个性化记忆的唯一来源——用户独有的偏好、事件、习惯，只能从与其交互的历史中获得。

然而，原始对话包含噪声、冗余，且难以直接用于高效推理。因此，它主要作为“经验土壤”，用于衍生更高阶的记忆。

二、语义记忆：从事实经验中提炼的“是什么”

语义记忆存储去情境化的事实、知识和用户偏好，回答“是什么”的问题。

来源：通过对多条情景记忆的归纳、抽象和去噪得到。
- 例：从“用户多次说‘简洁点’” → 提炼为 {"response_style": "concise"}；
- 从“用户提到‘对花生过敏’” → 存为 allergies: ["peanuts"]。
特点：结构化、稳定、可键值查询。
存储方式：用户画像表（Profile）、知识图谱、键值存储（如 Redis）。

✅ 语义记忆是个性化服务的核心，使模型无需重复询问即可提供精准响应。

值得注意的是，通用知识（如“巴黎是法国首都”）通常来自预训练或外部知识库，而非用户情景记忆；但用户特有的事实，必然源于情景。

三、程序性记忆：从交互模式中总结的“怎么做”

程序性记忆定义了系统的行为模式、任务流程和响应规则，回答“如何做”的问题。

来源：由开发者或系统从大量情景对话中观察、总结并固化而来。
- 例：分析 1000 次订票对话 → 归纳出标准流程：“问出发地 → 问目的地 → 问日期”；
- 用户多次中断某步骤 → 优化流程，提前确认关键信息。
表现形式：
- 系统提示（System Prompt）：“你是一个耐心的客服”；
- 业务规则：“遇到投诉先道歉”；
- LangGraph 节点逻辑：多步骤任务的执行流。
存储方式：硬编码逻辑、LangGraph 工作流、规则引擎。

✅ 在 LLM 系统中，程序性记忆并非本能，而是对情景经验的模式化提炼——这与人类通过练习形成肌肉记忆有本质不同。

四、三类记忆的衍生关系：经验 → 抽象 → 自动化

在智能体系统中，三类记忆形成清晰的演进链条：

graph LR
A[情景记忆<br/>（原始对话日志）] --> B[语义记忆<br/>（用户偏好、事实）]
A --> C[程序性记忆<br/>（任务流程、行为规则）]

积累经验：系统持续记录与用户的交互（情景记忆）；
抽象知识：通过 LLM 或规则引擎，从中提取稳定偏好与事实（语义记忆）；
固化行为：总结高频任务模式，优化决策流程（程序性记忆）；
协同推理：运行时融合三类记忆，实现上下文感知、个性化、高一致性的响应。

五、工程实践建议

记忆类型	存储方案	更新机制	使用场景
情景记忆	MySQL/ES 对话日志 + 向量库（嵌入）	追加写	模糊回忆、审计、摘要生成
语义记忆	用户 Profile 表（结构化字段）	覆盖更新（LLM 提取后合并）	个性化回复、事实问答
程序性记忆	LangGraph 节点逻辑 + System Prompt	人工审核后部署 / 自我反思更新	任务执行、角色一致性