本文首次将AI系统中的记忆表示分为三类：参数化记忆、上下文结构化记忆和上下文非结构化记忆，并介绍了六种基本的记忆操作：巩固、更新、索引、遗忘、检索和压缩。文章还盘点了数十种记忆框架、产品和应用，将记忆操作映射到长期记忆、长上下文记忆、参数修改和多源记忆等研究主题中，为AI中与记忆相关的研究、基准数据集和工具提供了一个结构化和动态的视角。

---

记忆是AI系统的基本组成部分，尤其是对于基于LLMs的Agents。首次将记忆表示分为三类：参数化记忆、上下文结构化记忆和上下文非结构化记忆，并介绍了六种基本的记忆操作：巩固、更新、索引、遗忘、检索和压缩。盘点了几十种记忆框架、产品、应用！

通过将这些操作系统地映射到长期记忆、长上下文记忆、参数修改和多源记忆等最相关的研究主题中，从原子操作和表示类型的视角重新审视记忆系统，为AI中与记忆相关的研究、基准数据集和工具提供了一个结构化和动态的视角。

一、记忆的分类体系

详细介绍了AI系统中记忆的分类体系，将记忆分为三种主要类型：参数化记忆（Parametric Memory）、上下文结构化记忆（Contextual Structured Memory）和上下文非结构化记忆（Contextual Unstructured Memory）。以下是该部分的内容总结：

1.1 参数化记忆

• 定义：参数化记忆是指模型内部参数中隐式存储的知识。这些知识在预训练或后训练过程中获得，并在推理时通过前馈计算访问。
• 特点：

• 提供即时、长期且持久的记忆，能够快速检索事实和常识知识。
• 缺乏透明性，难以根据新体验或特定任务上下文选择性地更新。

• 应用场景：适用于需要快速访问固定知识的场景，例如问答系统和常识推理任务。

1.2 上下文非结构化记忆

• 定义：上下文非结构化记忆是一种显式的、模态通用的记忆系统，用于存储和检索跨异构输入（如文本、图像、音频、视频）的信息。
• 特点：

• 支持基于感知信号的推理，能够整合多模态上下文。
• 根据时间范围，进一步分为短期记忆（如当前对话会话上下文）和长期记忆（如跨会话对话记录和个人持久知识）。

• 应用场景：适用于需要处理多模态输入和动态上下文的任务，例如多模态对话系统和视觉问答系统。

1.3 上下文结构化记忆

• 定义：上下文结构化记忆是指以预定义的、可解释的格式或模式（如知识图谱、关系表、本体论）组织的显式记忆，这些记忆可以根据请求进行查询。
• 特点：

• 支持符号推理和精确查询，通常与预训练语言模型的关联能力相辅相成。
• 可以是短期的（在推理时构建用于局部推理）或长期的（跨会话存储策划知识）。

• 应用场景：适用于需要精确知识检索和推理的任务，例如知识图谱问答和复杂事件推理任务。

二、记忆6种操作

详细介绍了AI系统中记忆操作的分类和功能。这些操作被分为两大类：记忆管理（Memory Management）和记忆利用（Memory Utilization）。

2.1 记忆管理

记忆管理涉及如何存储、维护和修剪记忆，以支持记忆在与外部环境交互过程中的有效使用。记忆管理包括以下四种核心操作：

1. Consolidation（巩固）：

• 定义：将短期经验转化为持久记忆，例如将对话历史编码为模型参数、知识图谱或知识库。
• 功能：支持持续学习、个性化、外部记忆库构建和知识图谱构建。
• 应用场景：在多轮对话系统中，将对话历史整合到持久记忆中，以便在未来的对话中使用。

2. Indexing（索引）：

• 定义：构建辅助代码（如实体、属性或基于内容的表示），以便高效检索存储的记忆。
• 功能：支持可扩展的检索，包括符号、神经和混合记忆系统。
• 应用场景：在大规模记忆库中，通过索引快速定位和检索相关信息。

3. Updating（更新）：

• 定义：重新激活现有记忆表示并对其进行临时修改。
• 功能：支持持续适应，同时保持记忆一致性。例如，通过定位和编辑机制修改模型参数，或通过总结、修剪或精炼来更新上下文记忆。
• 应用场景：在对话系统中，根据用户反馈动态更新记忆内容。

4. Forgetting（遗忘）：

• 定义：有选择性地抑制可能过时、无关或有害的记忆内容。
• 功能：通过遗忘技术（如修改模型参数以擦除特定知识）或基于时间的删除和语义过滤来丢弃不再相关的内容。
• 应用场景：在处理敏感信息时，确保隐私和安全，同时减少记忆干扰。

2.2 记忆利用

记忆利用涉及在推理过程中检索和使用存储的记忆，以支持下游任务（如响应生成、视觉定位或意图预测）。记忆利用包括以下两种操作：

1. Retrieval（检索）：

• 定义：根据输入识别并访问相关记忆内容。
• 功能：支持从多个来源（如多模态输入、跨会话记忆）检索信息。
• 应用场景：在问答系统中，根据问题检索相关的知识库内容；在多轮对话中，检索与当前对话相关的上下文信息。

2. Compression（压缩）：

• 定义：在保持关键信息的同时减少记忆大小，以便在有限的上下文窗口中高效使用。
• 功能：通过预输入压缩（如对长上下文输入进行评分、过滤或总结）或后检索压缩（如在模型推理前对检索到的内容进行压缩）来优化上下文使用。
• 应用场景：在处理长文本输入时，通过压缩减少计算负担，同时保留关键信息。

三、从记忆操作到系统级主题

探讨了如何将前面介绍的记忆操作（巩固、索引、更新、遗忘、检索、压缩）应用于实际的系统级研究主题。这些主题涵盖了长期记忆、长上下文记忆、参数化记忆修改和多源记忆等多个方面。

3.1 长期记忆

长期记忆是指通过与环境的交互而持久存储的信息，支持跨会话的复杂任务和个性化交互。

• 管理（Management）：

• 巩固（Consolidation）：将短期记忆转化为长期记忆，例如通过对话历史的总结或编码。
• 索引（Indexing）：构建记忆索引以支持高效检索，例如通过知识图谱或时间线索引。
• 更新（Updating）：根据新信息更新长期记忆，例如通过对话历史的动态编辑。
• 遗忘（Forgetting）：有选择性地移除过时或不相关的记忆，例如通过时间衰减或用户反馈。

• 利用（Utilization）：

• 检索（Retrieval）：根据当前输入和上下文检索相关记忆，例如通过多跳图检索或基于事件的检索。
• 整合（Integration）：将检索到的记忆与模型上下文结合，支持连贯的推理和决策。
• 生成（Generation）：基于整合的记忆生成响应，例如通过多跳推理或反馈引导的生成。

• 个性化（Personalization）：

• 模型级适应（Model-Level Adaptation）：通过微调或轻量级更新将用户偏好编码到模型参数中。
• 记忆级增强（Memory-Level Augmentation）：在推理时从外部记忆中检索用户特定信息以增强个性化。

3.2 长上下文记忆

长上下文记忆涉及处理和利用大量的上下文信息，以支持长文本理解和生成。

• 参数化效率（Parametric Efficiency）：

• KV缓存丢弃（KV Cache Dropping）：通过静态或动态方式丢弃不必要的KV缓存，以减少内存需求。
• KV缓存存储优化（KV Cache Storing Optimization）：通过量化或低秩表示压缩KV缓存，以减少内存占用。
• KV缓存选择（KV Cache Selection）：通过查询感知的方式选择性加载KV缓存，以加速推理。

• 上下文利用（Contextual Utilization）：

• 上下文检索（Context Retrieval）：通过图结构或片段级选择方法，从大量上下文中检索关键信息。
• 上下文压缩（Context Compression）：通过软提示压缩或硬提示压缩，减少上下文长度，提高推理效率。

3.3 参数化记忆修改

参数化记忆修改涉及对模型内部参数的动态调整，以适应新的知识或任务需求。

• 编辑（Editing）：

• 定位-编辑方法（Locating-then-Editing）：通过归因或追踪找到存储知识的位置，然后直接修改。
• 元学习（Meta Learning）：通过编辑网络预测目标权重变化，实现快速和稳健的修正。
• 提示方法（Prompt-based Methods）：通过精心设计的提示间接引导输出。
• 附加参数方法（Additional-parameter Methods）：通过添加外部参数模块调整行为，而不修改模型权重。

• 遗忘（Unlearning）：

• 定位-遗忘方法（Locating-then-Unlearning）：找到负责特定记忆的参数，然后应用目标更新或禁用。
• 训练目标方法（Training Objective-based Methods）：通过修改训练损失函数或优化策略，显式鼓励遗忘。

• 持续学习（Continual Learning）：

• 正则化方法（Regularization-based Methods）：通过约束重要权重的更新，保留关键参数记忆。
• 重放方法（Replay-based Methods）：通过重新引入过去样本强化记忆，特别适合在训练中整合检索到的外部知识。

3.4 多源记忆

多源记忆涉及整合来自不同来源（如文本、知识图谱、多模态输入）的信息，以支持更丰富的推理和决策。

• 跨文本整合（Cross-textual Integration）：

• 推理（Reasoning）：整合多格式记忆以生成一致的响应，例如通过动态整合领域特定的参数化记忆。
• 冲突解决（Conflict Resolution）：识别和处理来自不同记忆源的矛盾信息，例如通过信任校准和来源归因。

• 多模态协调（Multi-modal Coordination）：

• 融合（Fusion）：对齐跨模态信息，例如通过统一语义投影或长期跨模态记忆整合。
• 检索（Retrieval）：跨模态检索存储的知识，例如通过基于嵌入的相似性计算。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】