从“死记硬背”到“动态记忆”：Agentic Memory如何加强AI的知识管理 原创

在人工智能的世界里，尤其是当下大语言模型（LLM）风靡的时代，人们越来越渴望让这些模型具备更接近人类的动态推理能力和长期记忆。传统的方法，往往只是简单地存储数据，就像把书堆在仓库里，需要的时候再去翻找。但这种方法，对于复杂的、多步骤的任务来说，显然不够用了。于是，一种名为 Agentic Memory（A-MEM） 的创新方法应运而生，它不仅能让 AI 动态地组织和链接信息，还能让知识随着新信息的加入而不断进化。

为什么我们需要 Agentic Memory？

想象一下，你正在和一个智能助手聊天，它能回答各种问题，但每次对话结束后，它就忘记了之前的内容。这听起来是不是很让人抓狂？事实上，这就是传统语言模型面临的问题。像 GPT-4、Llama、Qwen 这样的模型，虽然能处理大量数据，但在需要跨多轮对话或跨多个会话的任务中，它们很难记住之前的互动或回忆起相关的上下文。

传统的方法就像是在一个有限的窗口里看世界，一旦超出这个范围，就只能依赖于预训练的知识库或简单的外部记忆机制。这些记忆机制往往只是简单地记录文本日志，随着时间的推移，这些日志会变得越来越庞大，也越来越难以管理。而 Agentic Memory 的出现，正是为了解决这些问题。

Agentic Memory 与传统记忆机制的区别

传统的记忆机制就像是一个固定的文件柜，数据被简单地存放在里面，需要的时候再拿出来。这种方法虽然简单，但在处理复杂任务时显得非常僵硬。它依赖于预设的索引，无法随着新数据的到来而重新组织或丰富存储的内容。而 Agentic Memory 则完全不同，它更像是一个动态的、不断进化的知识网络。

Agentic Memory 的创新之处

Agentic Memory 的灵感来源于一种古老的笔记系统——Zettelkasten。在这个系统中，每一条信息都被视为一个独立的“笔记”，这些笔记通过语义或上下文关系相互链接。Agentic Memory 也是如此，它将每一条新信息都视为一个“原子”级别的知识点，不仅记录了交互的内容，还生成了上下文描述、关键词和嵌入向量，并通过链接生成算法将新笔记与现有的笔记建立联系。

更重要的是，Agentic Memory 具有记忆进化机制。当新的笔记被整合到系统中时，旧的笔记也会根据新信息进行更新。这意味着整个知识库会随着每一条新信息的加入而不断进化，变得更加连贯和有用。

Agentic Memory 的核心组件

1. 笔记构建（Note Construction）

每当一个基于 LLM 的智能代理接收到新的信息时，无论是用户输入、数据片段还是环境观察，它都会使用一个模板来生成笔记的关键属性。这些属性包括原始内容、时间戳、关键词、标签、上下文描述、嵌入向量和链接。这些属性共同构成了一个动态的、可检索的知识单元。

2. 链接生成（Link Generation）

当一条新的笔记被创建后，系统会通过嵌入向量的相似性检索来找到与之最相关的旧笔记，并将它们作为候选集。然后，LLM 会分析这些候选笔记，决定哪些笔记与新笔记有实质性的重叠。这些重叠可能是相同的概念、相同的事件，或者是类似的用户查询。最终，新笔记会与这些旧笔记建立链接，形成一个动态的知识网络。

3. 记忆进化（Memory Evolution）

Agentic Memory 的独特之处在于，它不仅允许新笔记与旧笔记建立链接，还允许旧笔记根据新信息进行更新。这个过程被称为记忆进化。每当一条新笔记即将被完全整合到系统中时，系统会检查候选集中的每一条旧笔记，看看是否需要更新关键词、标签或上下文描述。这些更新可能会引入新的引用或更深入的解释，从而使整个知识网络随着时间的推移不断进化。

4. 相关记忆检索（Retrieval of Relevant Memory）

当智能代理面临一个查询或任务时，Agentic Memory 会通过嵌入向量的余弦相似性计算来检索与之最相关的笔记。这些笔记会被附加到代理的提示中，从而确保每次推理或响应都能从知识系统中丰富的连接中受益。

Agentic Memory 的关键特性

动态组织（Dynamic Organization）

Agentic Memory 摒弃了一刀切的数据结构，每一条记忆都被存储为一个“笔记”，可以与任意数量的其他笔记建立链接。这种动态的组织方式避免了将数据强行分类到僵化的层级结构中。

Zettelkasten 原则（Zettelkasten Foundations）

Agentic Memory 深深扎根于 Zettelkasten 的笔记原则，确保知识保持颗粒化、相互关联且不断进化。

持续更新（Continuous Updating）

通过记忆进化机制，当新笔记被引入时，整个知识网络会自我更新。这确保了旧的事实保持新鲜，能够与未来的学习内容建立联系。

可扩展性（Scalability）

尽管检查每一条新记忆与现有语料库的相似性看似计算量巨大，但基于嵌入的相似性检索非常高效。随着系统的增长，可以通过索引嵌入或将记忆划分为主题集群来扩展。

代理驱动的工作流（Agent-Driven Workflows）

传统的记忆系统在工作流中固定了检索或更新的点，而 Agentic Memory 允许 LLM 动态地决定何时以及如何存储、检索和更新记忆，使系统更加适应性强。

实现 Agentic Memory：一步步指南

以下是一个简化的实现指南，帮助你快速上手 Agentic Memory：

1. 克隆代码库：

git clone https://github.com/WujiangXu/AgenticMemory.git
cd AgenticMemory

1. 设置 Python 虚拟环境：

python -m venv .venv
source .venv/bin/activate  # Linux/Mac
.venv\Scripts\activate     # Windows
pip install -r requirements.txt

1. 运行实验：

python test_advanced.py

安装完成后，Agentic Memory 框架可以通过调用相关的 Python 类来初始化。每次新的交互都会自动经过笔记构建步骤，生成所需的文本或向量属性。然后，系统会调用链接生成和记忆进化例程，最后将新的记忆存储到系统中。

未来展望：Agentic Memory 的更广泛应用

“21 世纪的文盲不是那些不会读写的人，而是那些不能学习、不能忘却、不能重新学习的人。”——阿尔文·托夫勒

展望未来，Agentic Memory 的研究可能会扩展到以下几个方向：

多模态数据（Multimodal Data）

除了文本日志，Agentic Memory 还可以扩展到存储图像、音频片段或结构化数据，并采用相同的动态链接方法，为 LLM 代理提供更丰富的上下文。

语义图神经网络（Semantic Graph Neural Networks）

除了依赖 LLM 提示进行链接生成，图神经网络可以进一步优化记忆网络的结构，发现更深层次的关系。

元推理（Meta-Reasoning）

代理可能会对整个记忆结构进行反思，修剪冗余的链接或突出关键的链接。这种推理层可以帮助系统自我优化。

联邦或分布式记忆（Federated or Distributed Memory）

大型组织可以将多个 AI 系统的记忆源统一起来。动态链接方法可以确保一个子系统的知识可以为另一个子系统提供见解，同时遵守隐私或保密限制。

结语：Agentic Memory 引领 AI 记忆新纪元

Agentic Memory 标志着 AI 系统存储、检索和更新知识方式的范式转变。它将 Zettelkasten 的经典概念与 LLM 提示和语义嵌入的最新突破相结合，回答了在需要适应性的环境中如何管理知识这一紧迫问题。如今，我们不再满足于仅仅积累数据的静态记忆日志，而是拥有了一个能够随着新体验的处理而不断进化、不断深化的动态记忆工具。

无论你是构建客户支持代理、研究助手，还是需要处理事实、引用和用户互动的多模态 AI 系统，Agentic Memory 都能帮助你的模型更像人类一样“思考”。它积极地将旧数据和新数据编织在一起，生成一个结构化的知识库，随时准备为更好的决策提供信息。随着 AI 的不断发展，像 Agentic Memory 这样的动态记忆系统很可能会成为实现强大且具有情境意识的智能的基础。

本文转载自公众号Halo咯咯    作者：基咯咯

原文链接：​​https://mp.weixin.qq.com/s/UbyeQhjuCAMq-xoUq2Pplg​​