在学习AI智能体的记忆机制时，我发现自己被各种新术语搞得晕头转向。一开始是短期记忆和长期记忆，接着又出现了程序性记忆、情景记忆和语义记忆，让人更加困惑。但等等，语义记忆让我想起了一个熟悉的概念：检索增强生成（RAG）。

智能体中的记忆机制会不会是RAG从最初的形态演进到智能体RAG之后的下一步呢？从本质上讲，智能体中的记忆就是在大语言模型（LLM）的上下文窗口中进行信息的输入和输出。至于把这些信息称为"记忆"还是"事实"，在这个抽象层面上都不是重点。

这篇文章将从一个不同的角度来介绍AI智能体中的记忆机制。我们不会（立即）讨论短期和长期记忆，而是从最初的RAG概念开始，逐步演进到智能体RAG，最后到达AI智能体的记忆机制。（需要注意的是，这只是一个简化的思维模型。智能体记忆这个完整的话题在底层实现上要复杂得多，涉及到诸如记忆管理系统等内容。）

RAG：一次性只读操作

检索增强生成（RAG）的概念在2020年由Lewis等人提出，并在2023年前后开始流行。这是第一个让无状态的LLM能够访问过去对话和训练期间未曾见过并存储在模型权重中的知识（参数化知识）的概念。

最初的RAG工作流程的核心思想非常直接，如下图所示：

• 离线索引阶段：将额外信息存储在外部知识源中（例如向量数据库）
• 查询阶段：使用用户的查询从外部知识源中检索相关上下文。将检索到的上下文连同用户查询一起输入LLM，获得基于这些额外信息的回答。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

下面的伪代码展示了最初的RAG工作流程：

虽然最初的RAG方法在简单用例中能够有效减少幻觉问题，但它有一个关键限制：这是一次性的解决方案。

• 通常会从外部知识源检索额外信息，而不会先判断是否真的需要
• 信息只检索一次，不管检索到的信息是否相关或正确
• 所有额外信息都只来自一个外部知识源

这些限制意味着对于更复杂的用例，如果检索到的上下文与用户查询不相关甚至是错误的，LLM仍然可能产生幻觉。

智能体RAG：通过工具调用实现只读

智能体RAG解决了最初RAG的许多局限性：它将检索步骤定义为智能体可以使用的工具。这一改变使得智能体能够首先判断是否需要额外信息，决定使用哪个工具进行检索（例如，存储专有数据的数据库与网络搜索），并评估检索到的信息是否与用户查询相关。

下面的伪代码展示了智能体如何在智能体RAG工作流程中调用SearchTool：

最初的RAG和智能体RAG的一个共同点是，信息是离线存储在数据库中的，而不是在推理过程中存储。这意味着数据只能被智能体检索，而不能在推理过程中写入、修改或删除。这个限制意味着最初的RAG和智能体RAG系统（默认情况下）都无法从过去的交互中学习和改进。

智能体记忆：通过工具调用实现读写

智能体记忆通过引入记忆管理概念，克服了最初RAG和智能体RAG的这一限制。这使得智能体能够从过去的交互中学习，并通过更个性化的方式提升用户体验。

智能体记忆的概念建立在智能体RAG的基本原则之上。它同样使用工具从外部知识源（记忆）中检索信息。但与智能体RAG不同的是，智能体记忆还使用工具向外部知识源写入信息，如下所示：

这使得智能体不仅能够从记忆中回忆，还能够"记住"信息。在最简单的形式中，你可以在交互后将原始对话历史存储在一个集合中。然后，智能体可以搜索过去的对话来找到相关信息。如果你想扩展这一功能，可以提示记忆管理系统创建对话摘要以供将来参考。此外，你还可以让智能体在对话过程中注意到重要信息（例如，用户提到喜欢使用表情符号或提到自己的生日），并基于这个事件创建记忆。

下面的伪代码展示了智能体记忆的概念如何通过WriteTool扩展智能体RAG的思想，使智能体能够存储信息：

这个简化思维模型的局限性

如本文开头所述，这种对AI智能体记忆的比较只是一个简化的思维模型。它帮助我将其与我已经熟悉的概念联系起来。但为了避免让AI智能体记忆的整个话题看起来只是带有写操作的智能体RAG的扩展，我想强调一下这种简化的一些局限性：

上面对AI智能体记忆的说明为了清晰起见进行了简化。它只显示了单一的记忆源。然而，在实践中，你可以为不同类型的记忆使用多个源：你可以为以下内容使用单独的数据集合：

• "程序性"记忆（例如，“与用户互动时使用表情符号”）
• "情景性"记忆（例如，“用户在10月30日谈论计划旅行”）
• "语义性"记忆（例如，“埃菲尔铁塔高330米”）

正如CoALA论文中所讨论的。此外，你还可以为原始对话历史设置一个单独的数据集合。

上述说明的另一个简化是，它缺少超越CRUD操作的记忆管理策略，就像MemGPT中所见的那样。

此外，虽然智能体记忆实现了持久化，但它也引入了RAG和智能体RAG没有的新挑战：记忆损坏以及对记忆管理策略（如遗忘）的需求。

总结

从本质上讲，RAG、智能体RAG和智能体记忆都是关于如何创建、读取、更新和删除存储在外部知识源（例如文本文件或数据库）中的信息。

最初，优化最初RAG的关键焦点在于优化检索方面，例如使用不同的检索技术，如向量搜索、混合搜索或基于关键词的搜索（“如何检索信息”）。然后，焦点转向使用正确的工具从不同的知识源检索信息（“我需要检索信息吗？如果需要，从哪里检索？”）。在过去一年中，随着智能体记忆的出现，焦点再次转移。这次转向了信息是如何管理的：虽然RAG和智能体RAG非常关注检索方面，但记忆机制涵盖了在外部知识源中创建、修改和删除数据的过程。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！