讓Agents更聰明，3招搞定記憶管理！
關于Agent的記憶，大多數人印象中，后臺可能就是一個RAG罷了。
但是到底有哪些細節和值得注意的地方呢？ 今天深度分析一個還不錯的開源項目，探索關于記憶的秘密。
項目是這個：???https://github.com/GibsonAI/memori??
不止是RAG
其實如果細看很多記憶框架，他們做到的真的遠不止一個“存儲-檢索”的RAG思路。
在Memori中，把記憶分成了兩種：
Conscious Mode
就是傳統意義上的 短期工作記憶。
但是比較特別的是，在系統啟動時，會主動分析長期記憶，把那些最重要、最核心的信息（比如你的身份、偏好、當前正在忙的項目）提取出來，直接加載到工作記憶里。
在對話開始時，這些信息會一次性注入，讓大模型立刻想起你是誰，你在干什么。
Automatic Mode
對應短期，這里就是長期記憶了。會在每一次交互時，分析你當前輸入的意圖，然后去記憶數據庫里搜索最相關的3-5條信息，動態注入到上下文中。
簡單來說，一個是提供基礎、個性化的上下文，一個處理即時、動態的上下文。
memori = Memori(
conscious_ingest=True, # Conscious Mode
auto_ingest=True, # Automatic Mode
openai_api_key=""
)
memori.enable()驅動記憶的智能體架構
想支持上面2種長短期記憶，那具體是怎么實現呢？
這里我用模型畫了一張mermaid圖，背后是三個Agent的協同工作。
Memory Agent
每當一次對話結束，它就會馬上分析對話內容，提取出結構化的信息。
它不只是存個聊天記錄，而是會用模型把信息分類成事實、偏好、技能、規則、上下文這五種，并打上實體標簽（比如人名、技術、項目）。
舉個例子：
類型 | 用途 | 示例 | 標簽 |
事實 | 客觀信息 | 我使用PostgreSQL作為數據庫 | 高頻 |
偏好 | 用戶選擇 | 我偏好簡潔、可讀的代碼 | 個人身份 |
技能 | 能力和知識 | 熟悉FastAPI | 專業領域 |
規則 | 約束和指南 | 總是先寫測試 | 工作模式 |
上下文 | 會話信息 | 正在做電商項目 | 當前項目 |
這種分類使Agent在提供幫助時，能夠有針對性地調用不同類型的記憶。
比如，當你讓它幫你寫代碼時，它不僅知道你正在做的項目（上下文），還知道你擅長FastAPI（技能），并且偏好簡潔、有類型提示的代碼（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 結構化輸出
# 返回分類、評分,結構化的記憶Consciousc Agent
前面說到，在系統啟動時，會主動分析長期記憶，把那些最重要、最核心的信息（比如你的身份、偏好、當前正在忙的項目）提取出來，作為短期記憶直接加載到工作記憶里。
這個就是意識ConsciouscAgent干的事情。
在后臺默默工作，定期（比如每6小時）分析所有的長期記憶，尋找那些被反復提及、或者對定義用戶身份至關重要的信息。
一旦找到，它就會把這些信息提升到短期工作記憶里，以備隨時調用。
class ConsciouscAgent:
async def analyze_memory_patterns(self, db_manager, namespace: str):
# 分析長期記憶模式
# 識別用于提升的關鍵對話
# 將關鍵信息移至短期記憶Retrieval Agent
這個就是搜索Agent了，每一次提問，理解意圖，規劃一個最優的搜索策略，從數據庫中精準地找出最相關的幾條記憶。
class MemorySearchEngine:
def plan_search(self, query: str) -> MemorySearchQuery:
# 分析查詢意圖并規劃搜索策略
# 返回帶有過濾器和策略的結構化搜索計劃
def execute_search(self, query: str, db_manager, namespace: str) -> List[Dict]:
# 執行帶排名的多策略搜索
# 返回帶有元數據的相關記憶這套組合拳下來，記憶就不再是一堆無序的文本，而是一個經過處理、分類、并且能夠被智能檢索的結構化知識庫。
數據流動
在使用 Memori 的時候，所有 LLM 對話，通過記憶智能體處理，并將結構化記憶存儲在數據庫中。
這個過程是異步的，不會阻塞應用。
檢索流程如下，可以清晰看到如何給LLM提供上下文的。
最后
對于記憶系統而言，擴展性非常重要，好在這些框架都能無縫銜接langchain、openai、anthropic風格的API等。
總的來說，做好一個記憶系統，遠不止一個RAG這么簡單。
一個好的記憶系統，才能真的能構建出更高級、更個性化的AI智能體。
本文轉載自??探索AGI??，作者：獼猴桃
