AI PRO·Context Day 4 记忆管理：让AI拥有长期记忆

![配图待生成]

一句话总结

记忆 = AI的”大脑”，让它能记住你的偏好、学习历史经验、避免重复犯错。

没有记忆的AI，每次对话都像第一次见面。有了记忆，AI才能成为真正的”助手”。

---

为什么需要记忆？

想象一下，你的助理每天早上都问你：

• “你是谁？”
• “你喜欢什么风格？”
• “上次我们聊了什么？”

你会疯掉。

但大多数AI就是这样——每次对话都是全新的开始。

记忆解决的问题

问题	没有记忆	有记忆

|——|———-|——–|

用户偏好	每次都要重新说明	自动应用已知偏好
历史上下文	不记得上次聊了什么	能延续之前的对话
经验教训	同样的错误反复犯	从错误中学习
个性化	对所有人都一样	根据用户调整

---

记忆的四层架构

人类记忆有不同类型，AI的记忆也应该分层：

`

┌─────────────────────────────────────┐

│ 第4层：Procedural Memory（程序记忆） │ ← 模式、工作流、教训

├─────────────────────────────────────┤

│ 第3层：Semantic Memory（语义记忆） │ ← 抽象知识、概念

├─────────────────────────────────────┤

│ 第2层：Episodic Memory（情景记忆） │ ← 具体事件、操作记录

├─────────────────────────────────────┤

│ 第1层：Working Memory（工作记忆） │ ← 当前对话上下文

└─────────────────────────────────────┘

`

各层详解

第1层：Working Memory（工作记忆）

• 是什么：当前对话的上下文
• 生命周期：会话结束就消失
• 例子：刚才用户说了什么，AI回了什么
• 技术实现：对话历史、滑动窗口

第2层：Episodic Memory（情景记忆）

• 是什么：具体的事件和操作记录
• 生命周期：持久化，长期保存
• 例子：上次帮用户写了Day40的文章，主题是AI搜索
• 技术实现：事件日志、操作记录

第3层：Semantic Memory（语义记忆）

• 是什么：抽象的知识和概念
• 生命周期：持久化，可更新
• 例子：用户喜欢亲切专业的风格，不要emoji
• 技术实现：知识图谱、概念聚类

第4层：Procedural Memory（程序记忆）

• 是什么：模式、工作流、教训
• 生命周期：持久化，可强化/衰减
• 例子：用户对排版要求很高，要用standard模板
• 技术实现：教训库、置信度评分

---

记忆的生命周期

记忆不是永久不变的，它有自己的生命周期：

`

创建 → 存储 → 检索 → 使用 → 更新/衰减

`

衰减机制

不常用的记忆会逐渐”遗忘”：

`

记忆强度 = 初始强度 × e^(-λ × 时间)

λ = 衰减系数（越大衰减越快）

时间 = 距离上次访问的时间

`

实际效果：

• 每天都用的记忆：强度保持100%
• 一周没用的记忆：强度降到50%
• 一个月没用的记忆：强度降到10%

强化机制

当记忆被成功使用时，强度会增强：

`

新强度 = 旧强度 + (1 – 旧强度) × 强化系数

`

实际效果：

• 用得越多的记忆，越不容易被遗忘
• 像肌肉一样，越用越强

---

记忆的存储和检索

存储策略

类型	存储位置	格式

|——|———-|——|

Working Memory	内存	对话历史数组
Episodic Memory	数据库	事件记录（时间、内容、类型）
Semantic Memory	知识图谱	实体-关系-实体
Procedural Memory	教训库	教训 + 置信度 + 标签

检索策略

1. 时间检索

`sql

SELECT * FROM memories

WHERE user_id = ‘climbing’

ORDER BY created_at DESC

LIMIT 10

`

2. 语义检索

`python

# 计算查询与记忆的相似度

query_embedding = embed(“用户的写作风格”)

memory_embeddings = [embed(m.content) for m in memories]

similarities = cosine_similarity(query_embedding, memory_embeddings)

top_memories = get_top_k(memories, similarities, k=5)

`

3. 混合检索

`

结果 = 语义检索结果 ∪ 时间检索结果

按相关度 + 时间排序

`

---

记忆的写入时机

什么时候应该写入记忆？

1. 用户明确表达偏好

• “我不喜欢emoji”
• “我喜欢亲切专业的风格”

→ 写入Semantic Memory

1. 完成重要任务

• “Day40早课已发布”
• “用户的问题已解决”

→ 写入Episodic Memory

1. 发现重要模式

• “用户总是要求高质量排版”
• “用户对响应速度敏感”

→ 写入Semantic Memory

1. 学到经验教训

• “标题不能用emoji，否则发布失败”
• “用户不喜欢被问太多问题”

→ 写入Procedural Memory

什么时候不应该写入记忆？

1. 临时信息

• “帮我算一下1+1”

→ 不需要记忆

1. 一次性任务

• “帮我查一下天气”

→ 不需要记忆

1. 敏感信息

• 密码、token、私钥

→ 绝对不能写入记忆

---

记忆的反思机制

什么是反思？

定期回顾记忆，提炼更高层次的知识：

`

Episodic Memory: “Day40写了AI搜索，Day41写了AI笔记…”

↓ 反思

Semantic Memory: “用户正在进行AI教程系列，当前进度Day41”

↓ 反思

Procedural Memory: “每篇文章需要包含天气banner、配图、地铁深读板块”

`

反思的触发条件

1. 定时触发：每天/每周自动反思
2. 事件触发：完成重要任务后反思
3. 阈值触发：记忆数量超过阈值时反思

反思的输出

• 合并重复记忆：相同内容的记忆合并
• 提炼模式：从多个事件中提取规律
• 更新置信度：根据使用情况调整教训的置信度
• 清理过期记忆：删除不再相关的记忆

---

实际案例：Hermes的记忆系统

Hermes Agent使用的是4级记忆系统：

1. Working Memory

• 当前对话历史
• 每次新对话重新开始

2. Episodic Memory

• 通过memory_recall存储
• 记录具体事件和操作
• 支持语义搜索

3. Semantic Memory

• 通过memory_save存储
• 保存重要洞察和决策
• 支持概念聚类

4. Procedural Memory

• 通过memory_lesson_save存储
• 保存经验教训
• 带置信度评分
• 使用时自动强化

记忆固化流程

`python

# 4级记忆固化

working → episodic → semantic → procedural

# 定期执行

memory_consolidate(tier=”episodic”)

memory_consolidate(tier=”semantic”)

memory_consolidate(tier=”procedural”)

`

---

🚇 地铁深读：记忆与幻觉的关系

记忆如何减少幻觉？

1. 提供事实依据

• 没有记忆：AI凭空编造
• 有记忆：AI基于历史事实回答

1. 保持一致性

• 没有记忆：每次回答可能矛盾
• 有记忆：回答与历史一致

1. 标注来源

• 没有记忆：无法追溯
• 有记忆：可以说明”根据上次的记录…”

记忆也可能导致问题

1. 过时信息

• 记忆中的信息可能已经过时
• 需要定期更新和清理

1. 错误记忆

• 如果存储了错误信息，会影响后续回答
• 需要验证机制

1. 隐私风险

• 记忆可能包含敏感信息
• 需要访问控制和加密

---

今日小结

记忆层级	内容	生命周期

|———-|——|———-|

Working Memory	当前对话	会话级
Episodic Memory	具体事件	持久化
Semantic Memory	抽象知识	持久化
Procedural Memory	模式和教训	持久化+强化

一句话记住： 记忆让AI从”每次都是陌生人”变成”老朋友”。

---

下期预告

AI PRO·Context Day 5 工具描述与动态组装：让AI正确使用工具

我们将深入解析如何为AI设计工具描述，以及如何根据任务动态组装上下文。

---

*攀岩者 | 技术总监 | 19年IT全栈实战*

*每天分享AI学习笔记，陪你从零基础到AI达人*