Building AI Agents with Human Memory: 5 Steps to Achieve Intelligent Dialogue and Memory Enhancement
由我使用 Canva 制作
你有没有和 AI 助手交谈过，感觉它在几秒钟前就忘记了你所说的话？
我大多数时候都亲眼目睹了这种情况。
现在想象一下，和一个每句话说完就忘记一切的人交谈——是不是很令人沮丧？
这本质上是许多缺乏记忆系统的 AI 助手所发生的事情。即使是最聪明的 AI 模型也难以保留超出单次交流的信息，这使得它们看起来像健忘的朋友，记不起你的名字。
作为一名 AI 爱好者，我个人觉得这个差距很有趣，并着手探索我们如何赋予 AI 助手更像人类的记忆。
在本文中，我将带你了解 AI 中代理记忆的概念，并将其与人类记忆（短期记忆与长期记忆）进行比较。
然后深入探讨我们如何使用语义搜索和向量数据库在 AI 助手中实现记忆。
在此过程中，我将分享一个案例研究，该案例研究来自我尝试构建一个记忆增强型 AI 助手（分步）。
让我们开始吧……
人类记忆 vs. AI 记忆（基础知识）
你知道人类拥有一个卓越的记忆系统，具有多层短期和长期存储。
例如，你可能记住一个人的名字几分钟（短期记忆），但除非得到强化，否则这个细节可能会消失。
相反，如果你可能还记得你童年的家或几年前最喜欢的生日礼物——这就是长期记忆在起作用。
所以简单来说：
- 短期记忆（工作记忆） 保存着正在使用中的信息。
- 长期记忆 存储知识、经验和技能，以便长时间使用。
现在谈到 AI 助手，尤其是那些由大型语言模型 (LLM) 驱动的 AI 助手，它们拥有一种非常不同类型的记忆。
开箱即用，AI 模型不会以人类的方式记住任何东西——它只有在其训练好的神经网络中编码的数据以及当前对话的上下文窗口。
上下文窗口定义了模型一次可以考虑多少过去的对话。一个小的上下文窗口会使 AI 健忘，而一个更大的窗口可以实现更长、更连贯的对话。
例如，聊天机器人可能很好地处理即时上下文（比如记住你几行前说了什么），但如果你询问 10 分钟前的事情，它可能会返回一个困惑的回复。
我们人类不断地将信息从短期记忆转移到长期记忆，但 AI 模型天生不具备这种能力——它们需要一个外部系统来模拟长期记忆。
由我创建
但为什么 AI 需要记忆？
我知道你一定在想这个问题，但记忆是智能的基石。
对于人类来说，它让我们从过去学习，在对话中保持上下文，并在先前的知识基础上构建。
对于 AI 助手来说，记忆以多种方式增强了它们的功能性和人性化：
连贯的对话：记忆允许 AI 助手回忆对话的早期部分。例如，如果你告诉 AI，“我有一个名叫 Jasmine 的姐姐”，然后问，“你能为我姐姐推荐一份生日礼物吗？”，一个具有记忆功能的 AI 应该识别出“我姐姐”指的是 Jasmine。
个性化：一个具有记忆功能的客户服务 AI 可以通过使交互更顺畅来回忆用户的过去问题和偏好。如果用户之前报告了一个软件错误，那么一个具有记忆功能的 AI 可以跟进：“欢迎回来！上次你提到了 X 的问题——解决了吗？”
学习和适应：就像我们从错误中学习一样，一个具有长期记忆的 AI 助手可以随着时间的推移更新其知识库。想象一下，一个 AI 医生用新的医学研究更新其知识，或者一个游戏 NPC 记住玩家的动作以调整其行为。
因此，如果没有长期记忆，AI 助手就会陷入字面意义上的“土拨鼠日”，其中每个新查询都从头开始。
要真正智能和自主地行动，AI 必须记住过去的交互。
通过语义搜索和向量数据库实现代理记忆
我们如何赋予 AI 助手长期记忆？
解决方案在于外部存储与智能检索相结合——特别是向量数据库上的语义搜索。
由我创建
什么是语义搜索？
语义搜索基于含义而不是确切的关键词来检索信息。
传统的搜索找到确切的单词匹配，但语义搜索找到相关信息，即使措辞不同。
例如，在语义系统中搜索“巴黎首都法国”可能会匹配陈述
“法国的首都是巴黎。”
这是通过将文本转换为数值嵌入（数字向量）来实现的。
相似的含义具有相似的向量，从而使 AI 能够有效地找到相关信息。
由我创建
向量数据库如何实现记忆
向量数据库是一种专门的数据库，经过优化，用于存储和检索嵌入。
与使用精确匹配的传统数据库不同，向量数据库存储和搜索相似的含义。
当 AI 模型收到一个查询时：
- 查询被转换为向量。
- 向量数据库找到最相似的存储向量。
- AI 检索并将相关记忆整合到其响应中。
这种方法被称为检索增强生成 (RAG)，它使用相关的存储信息增强 AI 响应。
现代 AI 助手使用向量数据库（如 Pinecone、Weaviate、Chroma、Milvus 和 Redis）进行记忆存储。
案例研究（构建由记忆驱动的 AI Agent）
由我创建
我已经在我的一个项目上尝试了这种方法。我无法在此处分享该项目的所有细节，但我可以分享一些亮点。
实际上，我构建了一个简单的 AI Agent，它可以在对话中记住信息。
以下是分步分解：
- 定义目标：Agent 应该记住用户分享的个人详细信息（例如，“我最喜欢的颜色是蓝色”）。
- 短期记忆：最后 10 条消息存储在对话缓冲区中。
- 长期记忆（向量数据库）：我使用 Chroma 和 OpenAI 的文本嵌入模型来存储关键事实。
- 存储记忆：像“X 是 Y”这样的明确陈述（例如，“我的狗的名字是杰瑞”）被存储为向量数据库中的嵌入。
- 用于检索的语义搜索：当 AI 需要回忆一个事实时，它会将用户查询向量化并在数据库中搜索相似的嵌入。
- 集成到响应中：检索到的记忆项目被添加到 AI 的上下文中，以获得更明智的响应。
测试 AI Agent
我：嗨，我刚搬到印度。
AI：太好了！你搬到了哪个城市？
我：我搬到了德里。我的狗的名字是杰瑞，我最喜欢的颜色是蓝色。（这些事实被存储在长期记忆中。）
我：我正在考虑给我的狗买一个新的项圈。你建议什么颜色？
AI：你提到过你最喜欢的颜色是蓝色——杰瑞戴一个蓝色的项圈可能会很棒！
它奏效了！
即使在 AI 已经离开了它的即时上下文之后，它仍然记得我的偏好。
这是一张图表，以便更好地理解
由我创建
主要经验
管理记忆至关重要：如果没有过滤，数据库会变得太大，检索到不相关的事实。
相关性阈值提高准确性：调整相似度分数可确保仅回忆有用的记忆。
总结有所帮助：与其存储整个对话，不如总结关键事实，从而保持记忆的效率。
最后的想法
Agentic 记忆使 AI 交互更自然、更智能。
通过将受人类启发的策略（短期与长期分离）与向量数据库等工具相结合，我们可以弥合人类和 AI 记忆之间的差距。
AI 记忆的未来是光明的。
关于情景记忆、强化学习和可扩展向量搜索的研究正在进行中。通过 LangChain 和 LlamaIndex 等框架，实现 AI 记忆比以往任何时候都更容易。
为了让 AI 感觉真正智能和适应性强，记忆是下一个前沿领域。
通过赋予 AI 记忆的能力，我们使我们的数字助手更实用、更个性化、更像人类。
教导机器记住的旅程才刚刚开始！
