神农架林区网站建设_网站建设公司_CSS_seo优化

关于Agent的记忆，大多数人印象中，后台可能就是一个RAG罢了。

但是到底有哪些细节和值得注意的地方呢？ 今天深度分析一个还不错的开源项目，探索关于记忆的秘密。

项目是这个：https://github.com/GibsonAI/memori

一、不止是RAG

其实如果细看很多记忆框架，他们做到的真的远不止一个“存储-检索”的RAG思路。

在Memori中，把记忆分成了两种：

Conscious Mode

就是传统意义上的 短期工作记忆。

但是比较特别的是，在系统启动时，会主动分析长期记忆，把那些最重要、最核心的信息（比如你的身份、偏好、当前正在忙的项目）提取出来，直接加载到工作记忆里。

在对话开始时，这些信息会一次性注入，让大模型立刻想起你是谁，你在干什么。

Automatic Mode

对应短期，这里就是长期记忆了。会在每一次交互时，分析你当前输入的意图，然后去记忆数据库里搜索最相关的3-5条信息，动态注入到上下文中。

简单来说，一个是提供基础、个性化的上下文，一个处理即时、动态的上下文。

memori = Memori( conscious_ingest=True, # Conscious Mode auto_ingest=True, # Automatic Mode openai_api_key="")memori.enable()

二、驱动记忆的智能体架构

想支持上面2种长短期记忆，那具体是怎么实现呢？

这里我用模型画了一张mermaid图，背后是三个Agent的协同工作。

Memory Agent

每当一次对话结束，它就会马上分析对话内容，提取出结构化的信息。

它不只是存个聊天记录，而是会用模型把信息分类成事实、偏好、技能、规则、上下文这五种，并打上实体标签（比如人名、技术、项目）。

举个例子：

这种分类使Agent在提供帮助时，能够有针对性地调用不同类型的记忆。

比如，当你让它帮你写代码时，它不仅知道你正在做的项目（上下文），还知道你擅长FastAPI（技能），并且偏好简洁、有类型提示的代码（偏好）。

class MemoryAgent: async def process_conversation( self, chat_id: str, user_input: str, ai_output: str, context: Optional[ConversationContext] = None, ) -> ProcessedMemory: # 使用 OpenAI 结构化输出 # 返回分类、评分,结构化的记忆

Consciousc Agent

前面说到，在系统启动时，会主动分析长期记忆，把那些最重要、最核心的信息（比如你的身份、偏好、当前正在忙的项目）提取出来，作为短期记忆直接加载到工作记忆里。

这个就是意识ConsciouscAgent干的事情。

在后台默默工作，定期（比如每6小时）分析所有的长期记忆，寻找那些被反复提及、或者对定义用户身份至关重要的信息。

一旦找到，它就会把这些信息提升到短期工作记忆里，以备随时调用。

class ConsciouscAgent: async def analyze_memory_patterns(self, db_manager, namespace: str): # 分析长期记忆模式 # 识别用于提升的关键对话 # 将关键信息移至短期记忆

Retrieval Agent

这个就是搜索Agent了，每一次提问，理解意图，规划一个最优的搜索策略，从数据库中精准地找出最相关的几条记忆。

class MemorySearchEngine: def plan_search(self, query: str) -> MemorySearchQuery: # 分析查询意图并规划搜索策略 # 返回带有过滤器和策略的结构化搜索计划 def execute_search(self, query: str, db_manager, namespace: str) -> List[Dict]: # 执行带排名的多策略搜索 # 返回带有元数据的相关记忆

这套组合拳下来，记忆就不再是一堆无序的文本，而是一个经过处理、分类、并且能够被智能检索的结构化知识库。

三、数据流动

在使用 Memori 的时候，所有 LLM 对话，通过记忆智能体处理，并将结构化记忆存储在数据库中。

这个过程是异步的，不会阻塞应用。

检索流程如下，可以清晰看到如何给LLM提供上下文的。

四、最后

对于记忆系统而言，扩展性非常重要，好在这些框架都能无缝衔接langchain、openai、anthropic风格的API等。

总的来说，做好一个记忆系统，远不止一个RAG这么简单。

一个好的记忆系统，才能真的能构建出更高级、更个性化的AI智能体。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】