定义

神经记忆指的是人工神经网络内部允许它们在长时间内存储、检索和利用信息的作用机制。与标准大型语言模型（LLM）的瞬态上下文窗口不同，神经记忆旨在提供持久的、不断演进的知识库，从而影响未来的输出和决策。

为什么重要

为了使人工智能系统超越简单的提示-响应交互，它们需要记忆。神经记忆实现了跨会话的上下文持久性，使人工智能代理能够“记住”用户的偏好、过去的交互和复杂的领域知识。这种转变将人工智能从一个无状态的工具转变为一个有状态的、知识渊博的伙伴。

工作原理

机制各不相同，但它们通常涉及增强核心的 Transformer 架构。这可以包括外部记忆模块（如向量数据库或知识图谱），这些模块由神经网络动态访问和更新。检索增强生成（RAG）是一种突出的实现方式，即在 LLM 生成响应之前，从记忆存储中获取相关的、数据块。

常见用例

• 个性化助手： 记住用户习惯、项目细节和沟通风格数月之久。
• 复杂代理： 允许自主代理在不同任务中维护长期计划或跟踪多步骤目标。
• 领域专业知识： 将专有公司数据或专业科学文献直接嵌入到 AI 可访问的知识库中。

主要优势

主要优势包括长对话中连贯性显著提高、减少重复的上下文重新输入需求，以及 AI 展现出累积学习的能力——每次交互都变得更智能。

挑战

实施有效的神经记忆在延迟（检索速度）、可扩展性（管理海量存储）和确保数据完整性（防止记忆损坏或产生偏差）方面带来了挑战。有效的索引和检索算法至关重要。

相关概念

该概念与向量数据库、检索增强生成（RAG）以及代理工作流中的状态管理有所重叠。