定义

连续记忆指的是系统在较长时间内保留、访问和更新信息的能力，使其能够保持上下文并从过去的交互或数据流中增量学习。与无状态操作不同，具有连续记忆的系统会建立对其环境或用户历史的持久性理解。

为什么重要

在现代人工智能应用中，记忆是区分简单脚本和智能代理的关键。如果没有连续记忆，AI 模型本质上是无状态的，这意味着每一个新的输入都被视为第一次输入。这严重限制了复杂问题解决、个性化和持续对话连贯性。

工作原理

实现方式根据架构的不同而有很大差异。技术通常涉及使用向量数据库来存储过去交互的嵌入、知识图谱来构建关系，或专用的记忆模块来总结和压缩长期上下文。检索增强生成（RAG）是一种常见的模式，它利用外部的、持久的记忆存储。

常见用例

• 个性化助手： 记住用户偏好、过去的查询和跨多个会话的特定上下文。
• 自主代理： 允许代理跟踪长期任务、维护目标，并根据先前的失败或成功调整策略。
• 高级聊天机器人： 提供跨越数小时或数天的深度、多轮对话上下文。

主要优势

• 连贯性： 确保对话和流程随时间推移保持逻辑流畅。
• 个性化： 基于积累的用户数据实现高度定制化的体验。
• 效率： 减少为每次查询重新处理大量历史数据的需求。

挑战

• 可扩展性： 有效管理和查询海量历史数据在计算上成本很高。
• 上下文窗口限制： 即使有外部记忆，在不使模型即时上下文窗口不堪重负的情况下检索最相关的信息仍然很困难。
• 数据完整性： 确保存储的记忆是准确的、未损坏的，并且没有引入存储过程中的偏差。

相关概念

这个概念与状态管理、大型语言模型中的长期记忆和上下文窗口管理等概念有很大重叠。