RASA：LLM系统中实现智能体记忆的认知框架(含代码)

大语言模型（LLMs）和智能体不断进化，已不再局限于简单的响应和输出，而是在推理与行动能力上持续成熟。随着智能体架构的进步，记忆、回忆和知识应用的方式，在系统设计和可信度方面变得愈发关键且复杂。RASA（Role-Aligned Software Architecture，角色对齐软件架构）作为一个创新性的认知框架，为构建具备强大记忆能力、能够灵活适应各种场景的智能体提供了全新的思路和方法。

一、LLMs现有记忆机制的局限与RASA的诞生背景

LLMs凭借其强大的语言处理能力，在自然语言处理领域取得了显著成果。其潜在记忆功能允许它们从训练数据中存储和检索模式，却无需显式的存储机制。然而，这种记忆存在诸多局限性：它是静态的，一旦训练完成，记忆内容就基本固定，难以实时更新；缺乏个性化，无法针对不同用户的独特需求和背景进行定制；并且很大程度上是不可见的，开发人员和用户难以了解记忆的具体存储和使用方式，这使得它在适应实时变化和贴合用户特定上下文时困难重重。

为了让智能体真正具备自适应、可靠和交互性，就需要一个外部系统来显式地管理记忆，跨越时间、角色和推理层次。RASA应运而生，它并非普通的工具或产品，而是一种思考如何构建人工智能系统的全新理念，旨在打造模块化、具备记忆感知能力且与周围世界中的角色相匹配的AI系统。

二、RASA的核心架构剖析

（一）Frames：智能体记忆的基石

Frames代表了智能体的记忆架构和“心智状态”，它涵盖了智能体当前所知道和能够回忆起的信息，是其行动的基础。RASA定义了四种类型的Frames：

1. 无状态帧（Stateless frames）

   ：这类帧没有记忆功能，仅对当前输入做出响应，适用于简单的事务性任务，比如一些固定格式的信息查询，仅依据当前输入的关键词