建立 AI 代理最困難的部分不是教它們記住。 而是教它們忘記。 我的同事和驚人有才華的作家 @helloiamleonie 剛剛發表了我見過的最全面的代理記憶分析，信我，我們都需要這個。 核心挑戰在於：𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀。每次對話都是一個全新的開始。它們不記得你五分鐘前說了什麼，更不用說你上週說了什麼了。所以我們如何製作能夠真正記住的代理？ 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: LLM 的上下文窗口中的信息（當前對話） • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: 外部存儲的信息（過去的對話、用戶偏好、學習的事實） 但這裡變得有趣且混亂。不同的框架以不同的方式對記憶進行分類，例如： 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵（受人類認知啟發）： • 工作記憶（當前對話） • 語義記憶（有關用戶的事實） • 情節記憶（過去的經歷和行動） • 程序記憶（指令和行為） 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵（以架構為重點）： • 訊息緩衝區（最近的消息） • 核心記憶（在上下文中主動管理的區塊） • 回憶記憶（原始對話歷史） • 存檔記憶（明確存儲的知識） 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝘁𝗶𝗻𝗴。 管理進入記憶的內容非常複雜。管理被 𝘥𝘦𝘭𝘦𝘵𝘦𝘥 的內容更難。你如何自動決定什麼是過時的？什麼時候舊信息真的過時，還是仍然在上下文中相關？這是大多數實現所面臨的挑戰。 Leonie 涵蓋了從不同的記憶類型（工作、語義、情節、程序）到實際實施策略，以及像 mem0、Letta 和 zep 等記憶框架的日益增長的生態系統。 這是一篇你會想要書籤並在構建代理系統時返回的文章。 Leonie 的博客文章：

每個人都在談論代理 AI，但我們是否都在談論同一件事？ 我注意到人們將「代理架構」和「代理工作流程」互換使用。 但它們實際上是相當不同的概念，彼此協同工作。 這裡是區別： 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝘄𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 = 代理為達成目標所採取的一系列步驟 把它想成是「什麼」 - 實際的過程 這些步驟可能包括： • 使用 LLMs 來制定計劃 • 將任務分解為子任務 • 使用像是網路搜尋的工具 • 反思結果並調整計劃 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗮𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲𝘀 = 技術框架和系統設計 把它想成是「如何」 - 基礎結構 這些總是包含： • 至少一個具有決策能力的代理 • 代理可以使用的工具 • 短期和長期記憶的系統 這為什麼重要？ 因為相同的工作流程可以使用不同的架構來實現。這就像有多種方式來製作同一個食譜 - 步驟保持相似，但廚房的設置卻不同。 例如，一個代理 RAG 工作流程（分解查詢、檢索信息、評估相關性）可以用單代理路由器架構或多代理系統來構建。相同的工作流程，不同的架構。 理解這一區別有助於你： • 設計更靈活的系統 • 為你的特定工作流程選擇合適的架構 • 更清晰地溝通你實際上在構建什麼 你最期待實施哪些代理工作流程？ 資源： 📌 代理架構免費電子書： 📌 代理工作流程部落格文章：