大半年前，介绍了基于LLM的Agent知识，文章《大模型智能体 LLM Agent》中提到：

Agent是大模型与场景间价值传递桥梁, 重要性不言而喻。

从功能上看，Agent有多个组件构成，规划、记忆和工具使用等

Agent = LLM + Planning + Feedback + Tool use

今天聊聊其中的一个组件：Memory，记忆模块

（1）什么是记忆？

记忆定义为用于获取、存储、保留和后续检索信息的过程，人类大脑中主要有三种类型的记忆。

1. 感官记忆（Sensory memory）

• 记忆最早阶段，提供原始刺激结束后保留感官信息（视觉，听觉等）印象的能力，通常只持续几秒钟。

• 感官记忆的子类别包括图标记忆（视觉）、回声记忆（听觉）和触觉记忆（触觉）。

• 短时记忆（STM）或工作记忆（Working Memory）

• 存储了当下能意识到的所有信息，以及执行复杂的认知任务（如学习和推理）所需的信息，大概可以存储7件事，持续20-30秒。

• 长期记忆（LTM）

• 顾名思义，LTM可以将信息存储相当长的时间，范围从几天到几十年不等，具有基本上无限的存储容量。LTM有两种亚型：

• 1）显式/陈述性记忆，即对事实和事件的记忆，指那些可以有意识地回忆起来的记忆，包括情景记忆（事件和经验）和语义记忆（事实和概念）。

• 2）隐式/程序性记忆，这种类型的记忆是无意识的，包括自动执行的技能和例程，比如骑自行车或在键盘上打字。

• 




对应语言模型概念：

1. 作为原始输入（包括文本、图像或其他形式）的学习嵌入表征的感官记忆;

2. 短期记忆就是上下文学习（in-context learning），非常短且影响范围有限，受到Transformer的上下文窗口长度的限制。

3. 长期记忆作为智能体在查询时可用的外部向量存储，可通过快速检索访问。

   
   




可见，记忆模块像 Agent大脑，帮助积累经验，自我进化，让行为更加一致、合理和有效。

LLM Memory设计灵感来自人类记忆过程的认知科学研究。

• 人类记忆发展：从感觉记忆开始，它记录感知输入；然后是短期记忆，暂时保持信息；最后是长期记忆，在更长的时间内巩固信息。




Agent 记忆结构设计借鉴了人类记忆特点。

• 短期记忆类似受限于transformers上下文窗口的输入信息。

• 长期记忆则类似于外部向量存储，Agent可以根据需要快速查询检索。




（2）LLM记忆从何而来？

记忆来源: 智能体记忆内容的出处。

三种类型记忆来源：

• ①内部任务信息（Inside-trial Information）: 当前任务执行信息

• 单个任务或交互过程中收集的数据。仅与当前正在进行的任务有关。

• 一个对话人物, Agent 要记住上下文信息,以便生成连贯的回应

• ②跨任务信息（ Cross-trial Information ）: 历史任务重的长期积累学习

• 跨越了多个任务或交互过程，它包括了Agent在不同任务中积累的经验、学到的教训以及可能的模式识别

• 旅行计划中, Agent 从用户预订过的机票酒店,用户反馈 这类跨任务信息优化改进执行策略

• ③外部知识（External Knowledge）

• Agent 与环境交互之外的信息。

• 可能是通过API调用、数据库查询或访问在线资源（如维基百科）等方式获得的




各个 记忆实现案例 分布对比

• 参考：Agent memory大揭秘：记忆从哪儿来？



其中，ExpeL的工作流程图包含以上三种方式






（3）LLM记忆如何保存？

记忆如何保存? 文本形式、参数形式为主

文本形式的记忆和参数形式的记忆同样也是各有千秋，它们适合不同的应用场景。

• 如果要快速回忆最近的对话，文本形式可能更合适；

• 而如果要存储大量知识，或者需要一个稳定可靠的知识库，参数形式可能更有优势。




各种记忆形式案例总结

• Agent memory大揭秘：5种记忆形态，轻松拿捏



（a） 文本形式

分析

• 好处: 易于理解和实现，而且读写速度都很快。

• 但是，如果记忆太长，就会占用很多空间，影响处理速度。

文本形式记忆可进一步细分为几种类型：

• 存储完整的交互信息: ReAct

• 最近的交互信息

• 检索到的交互信息和外部知识。

MemGPT 分别体现出了短期和召回记忆；

Qwen-Agent中，通过 chatml 特有多轮格式<im_start> <im_end>进行分割历史的会话，最后一轮才加上ReAct的prompt。

(b) 参数形式

这种方式更高级。不直接存储文字，而是把记忆转换成模型参数，就像是把知识压缩成精华。

• 好处: 不受文本长度限制，而且存储效率更高。

• 但是，写入时可能需要更多的计算，而且解释起来也不如文本形式直观。

参数形式的记忆则涉及更复杂的技术，比如: fine-tuning 和 editing。

• 微调可以帮助模型快速学习特定领域的知识

• 而知识编辑则可以精确地更新或删除某些记忆，避免影响其他无关的知识。

经典 Character-LLM: A Trainable Agent for Role-Playing，用微调方式






（c）图谱


另外，也有更高级的形式：图谱

比如 微软推出的 GraphRAG，使用LLM从语料中挖掘实体、关系，组成知识图谱，供下游使用。

详见：https://microsoft.github.io/graphrag/



形态上越来越像人类。


不少人将知识图谱技术利用起来，比如 Neo4j，效果示例：



使用 Cypher语言查询节点，结果融入LLM







（4）LLM记忆如何工作？

实际应用中

• 有些系统只模拟人类的短期记忆，通过上下文学习实现，记忆信息直接写在prompt中。

• 而有些系统则采用了hybird memory（混合记忆架构），明确模拟了人类的短期和长期记忆。短期记忆暂时缓冲最近的感知，而长期记忆则随着时间的推移巩固重要信息。

• 记忆格式上，可以自然语言或嵌入向量形式存储。

• 操作方面，Agent通过记忆阅读、记忆写入和记忆反思三个关键操作与外部环境进行交互。

• 记忆阅读: 提取有意义的信息, 以增强Agent的行动；

• 记忆写入: 将感知到的环境信息存储在记忆中；

• 记忆反思: 模拟了人类审视和评估自己的认知、情感和行为过程的能力。

记忆操作像 LLM大脑，三个部分组成：记忆写入、记忆管理和记忆读取。

• ①记忆写入: LLM短期记忆, 接收到新信息时(聊天),以特殊编码方式存入"大脑"

• MemGPT: 自我指导是否写入记忆,智能体根据上下文决定是否更新

• MemoGPT: 聊天时做总结, 提取对话片段的主题, 关键词形式保存,便于查找, topic,summary,dialogues

• ②记忆管理: LLM长期记忆, 整理短期记忆信息;信息归类, 找出最重要的部分,忘掉次要信息,保持大脑的清晰、高效

• MemoryBank: 智能体从对话内容中提炼每日大事记, 同时不断评估，生成个性特征

• Voyager: 智能体根据环境反馈优化记忆

• Generative Agents: 智能体自我反思，获取更高层次的信息. 从事件信息中生成抽象想法

• GITM: 记忆模块中总结多个计划的关键行动, 建立各种情况下的共同参考计划, 提取最重要的行动步骤

• ③记忆读取: 使用LLM记忆解决问题

• ChatDB: SQL操作完成记忆阅读

• MPC: 从记忆池里检索相关记忆, 使用思维链示例方式，忽略次要信息

• ExpeL: 用Faiss向量库作为记忆池, 找出与当前任务最相似的k个成功示例.




参考：Agent memory大揭秘：轻松搞定记忆写入、管理、读取