定义

在人工智能和复杂软件的背景下，长期记忆（LTM）指的是在单个会话的即时操作环境之外，持久地存储和检索信息、经验和学习到的模式。与短期记忆或工作记忆不同，LTM 允许 AI 代理或系统在较长时期内维持对其环境、用户交互和过去决策的累积理解。

为什么它很重要

为了使人工智能系统从被动的工具转变为主动的智能伙伴，长期记忆至关重要。它支持个性化、跨多次交互的上下文保留，以及从历史数据中学习的能力。如果没有它，AI 在当前查询之后基本上会“忘记”所有内容，从而严重限制了其在真实世界持续应用中的实用性。

工作原理

LTM 通常使用外部的、结构化或非结构化的数据库来实现。常见的架构模式包括：

• 向量数据库： 存储过去经验的嵌入（embeddings），从而实现相关记忆的语义搜索。
• 知识图谱： 表示实体之间的关系，提供累积知识的结构化地图。
• 关系型/NoSQL 数据库： 存储交易历史、用户配置文件和长期状态变量。

检索机制涉及复杂的索引和检索增强生成（RAG）技术，以将最相关的“记忆”提取到活动工作记忆中进行处理。

常见用例

• 个性化客户服务： 在不同的支持会话中记住客户先前的问题、偏好和购买历史。
• 自主代理： 允许代理回忆过去的环境状态或目标，以便做出更好的未来规划决策。
• 自适应推荐引擎： 在数月内建立用户行为的深度画像，而不仅仅是最近几次点击。

主要优势

主要优势包括增强的连贯性、卓越的个性化以及更健壮、更具上下文感知的 AI 模型的发展。LTM 将无状态计算转变为有状态、不断发展的智能。

挑战

实施有效的 LTM 面临着一些挑战。这些挑战包括管理记忆的可扩展性（海量数据）、确保数据完整性和一致性，以及解决“检索瓶颈”——在数百万个记忆中找到正确的记忆。

相关概念

相关概念包括工作记忆（短期处理）、情景记忆（特定过去的事件）、语义记忆（一般知识）和检索增强生成（RAG），后者是与 LTM 交互的主要方法。