定义

知识记忆指的是人工智能系统，特别是大型语言模型（LLMs）和自主智能体内部的机制，这些机制允许系统存储、检索和利用从过去交互或外部数据源收集到的信息。它使人工智能超越了无状态、单轮对话的限制。

为什么它很重要

为了使人工智能在复杂的商业环境中真正有用，它必须具备持久性。知识记忆使智能体能够在长时间会话中保持上下文、记住用户偏好并建立对领域的累积理解。如果没有它，每一次交互都会被视为一个全新的查询，从而严重限制了其效用。

工作原理

知识记忆通常通过几种架构模式来实现：

• 短期记忆（上下文窗口）： 这是即时的工作记忆，通常通过将最近的对话轮次直接传递给模型的提示来实现。它有严格的令牌限制。
• 长期记忆（向量数据库）： 这涉及将过去的经验、文档或事实编码成高维向量（嵌入）。当新信息到达时，系统会针对该数据库执行相似性搜索，以检索最相关的历史知识。
• 状态管理： 对于智能体而言，记忆会跟踪当前的运行状态——哪些任务正在进行中、设置了哪些目标以及已经完成了哪些步骤。

常见用例

企业利用知识记忆来实现多种关键功能：

• 高级聊天机器人： 使客户服务机器人能够在多个会话中回忆起先前的问题或客户资料。
• 个性化推荐： 系统记住过去的购买记录或声明的偏好，从而提供高度相关的建议。
• 自主智能体： 允许智能体管理多步骤工作流程，例如预订复杂的旅行行程或管理项目任务。
• 企业搜索： 通过引用内部知识库来提供上下文感知的搜索结果。

主要优势

实施强大的知识记忆带来了切实的商业优势。它通过连贯、持续的交互提高了用户满意度。它使人工智能系统能够随着时间的推移发展和提高其准确性，减少了对每次微小细节进行持续、显式再训练的需求。

挑战

主要挑战包括管理记忆开销（检索的计算成本）、在存储敏感知识时确保数据安全和隐私，以及防止“知识漂移”或检索到不相关、过时信息。

相关概念

该概念与检索增强生成（RAG）密切相关，RAG是实现外部知识检索的主要技术，它还与智能体状态管理相关，后者管理着自主系统的操作流程。