构建AI代理最困难的部分不是教它们记住。 而是教它们忘记。 我的同事，才华横溢的作家@helloiamleonie刚刚发布了我见过的关于代理记忆的最全面的分析，信我，我们都需要这个。 核心挑战是：𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀。每次对话都是一个全新的开始。它们不记得你五分钟前说了什么，更不用说你上周说了什么。那么我们如何让代理真正记住呢？ 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: LLM的上下文窗口中的信息（当前对话） • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: 外部存储的信息（过去的对话、用户偏好、学习的事实） 但有趣且令人困惑的是，不同的框架对记忆的分类不同，例如： 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵（受人类认知启发）： • 工作记忆（当前对话） • 语义记忆（关于用户的事实） • 事件记忆（过去的经历和行为） • 程序记忆（指令和行为） 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵（以架构为中心）： • 消息缓冲区（最近的消息） • 核心记忆（在上下文中主动管理的块） • 回忆记忆（原始对话历史） • 档案记忆（明确存储的知识） 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝘁𝗶𝗻𝗴。 管理进入记忆的内容非常复杂。管理被𝘥𝘦𝘭𝘦𝘵𝘦𝘥的内容更难。你如何自动决定什么是过时的？旧信息何时真正过时，何时仍然具有上下文相关性？这正是大多数实现所面临的挑战。 Leonie涵盖了从不同的记忆类型（工作、语义、事件、程序）到实际实施策略，以及像mem0、Letta和zep这样的记忆框架日益增长的生态系统。 这是你在构建代理系统时想要收藏并返回查看的帖子之一。 Leonie的博客文章：

每个人都在谈论代理 AI，但我们是否都在谈论同一件事？ 我注意到人们将“代理架构”和“代理工作流程”互换使用。 但它们实际上是两个不同的概念，它们是相辅相成的。 以下是区分： 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝘄𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 = 代理为实现目标而采取的一系列步骤 把它看作是“什么” - 实际过程 这些步骤可能包括： • 使用 LLM 创建计划 • 将任务分解为子任务 • 使用互联网搜索等工具 • 反思结果并调整计划 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗮𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲𝘀 = 技术框架和系统设计 把它看作是“如何” - 基础结构 这些总是包含： • 至少一个具有决策能力的代理 • 代理可以使用的工具 • 短期和长期记忆的系统 这有什么重要性？ 因为相同的工作流程可以使用不同的架构来实现。这就像有多种方法来制作同样的食谱 - 步骤保持相似，但厨房的设置各不相同。 例如，一个代理 RAG 工作流程（分解查询、检索信息、评估相关性）可以使用单代理路由器架构或多代理系统来构建。相同的工作流程，不同的架构。 理解这个区别可以帮助你： • 设计更灵活的系统 • 为你的特定工作流程选择合适的架构 • 更清晰地沟通你实际在构建的内容 你最期待实施哪些代理工作流程？ 资源： 📌 代理架构免费电子书： 📌 代理工作流程博客文章：