定义

增强记忆指的是一种架构设计模式，在这种模式下，人工智能系统（特别是大型语言模型 LLMs）被配备了超出其初始训练数据的外部、动态和持久的记忆。系统不再仅仅依赖静态参数，而是可以主动地从外部知识库、数据库或过去的交互中读取、写入和检索特定、相关的信息。

为什么重要

为了使人工智能应用从简单的模式匹配发展到真正的实用性，它们必须具备上下文。传统模型受限于上下文窗口和知识截止日期。增强记忆通过为人工智能提供一个不断用专有、实时或高度特定数据更新的“长期记忆”来解决这个问题，从而产生更准确、更相关和个性化的输出。

工作原理

该过程通常涉及几个集成组件：

• 索引和嵌入： 外部数据源（文档、过往聊天记录、数据库）被分块并转换为数值向量表示（嵌入）。
• 向量数据库存储： 这些嵌入被存储在专门的向量数据库中，该数据库针对相似性搜索进行了优化。
• 检索增强生成 (RAG)： 当接收到用户查询时，该查询也会被嵌入。然后，系统会在向量数据库中执行相似性搜索，以检索语义上最相关的数据块。
• 增强： 这些检索到的数据块随后被直接注入发送给 LLM 的提示上下文中，使模型能够基于特定的、检索到的知识生成答案。

常见用例

增强记忆是企业级人工智能采用的基础：

• 企业问答 (Q&A)： 允许聊天机器人根据内部政策文件或技术手册回答问题。
• 个性化助手： 在不同会话中记住用户偏好、过去的项目细节和历史交互模式。
• 复杂工作流自动化： 为智能体提供完成多步骤、长期任务所需的历史上下文，从而确保准确性。

主要优势

主要优势包括克服上下文窗口限制、确保事实基础（减少幻觉）、实现实时知识集成，以及显著提高人工智能生成响应的相关性和深度。

挑战

实施强大的增强记忆系统存在挑战，包括检索步骤引入的延迟、维护高质量索引的复杂性，以及如果嵌入模型调优不当，检索到不相关或噪声数据的风险。

相关概念

该概念与检索增强生成 (RAG)、向量数据库和人工智能智能体中的状态管理密切相关。