在学习 AI 智能体（AI Agents）的记忆相关知识时，被各种新术语搞得不知所措。一开始是 “短期记忆” 和 “长期记忆”，后来又出现了 “程序性记忆”、“情景记忆” 和 “语义记忆”，这就更混乱了。但等等，“语义记忆” 让我想到了一个熟悉的概念：检索增强生成（RAG）。

难道 AI 智能体的记忆，是基础 RAG 演进到 AI 智能体化 RAG 之后的合理下一步？本质上，AI 智能体的记忆核心是 “将信息传入和传出大型语言模型（LLM）的上下文窗口”。至于这些信息被称为 “记忆” 还是 “事实”，在这个抽象概念下并不重要。

本文将从一个不同的角度，介绍 AI 智能体的记忆。我们暂时不讨论 “短期记忆” 和 “长期记忆”，而是从 “朴素 RAG” 概念逐步演进到 “AI 智能体化 RAG”，再延伸到 “AI 智能体记忆”（注：这是一个简化的思维模型。AI 智能体记忆的完整主题在底层更为复杂，涉及记忆管理系统等内容）。

一、RAG：一次性只读模式

检索增强生成（RAG）的概念由 Lewis 等人于 2020 年提出，并在 2023 年左右开始流行。它是首个让 “无状态 LLM” 能够获取两类信息的概念：一是过往对话内容，二是 LLM 在训练过程中未接触过、未存储在模型权重中的知识（即 “参数化知识”）。

朴素 RAG（naive RAG）的工作流程核心很简单，如下图所示：

• 离线索引阶段：将额外信息存储到外部知识源（比如：向量数据库）中；
• 查询阶段：根据用户的查询，从外部知识源中检索相关上下文；将检索到的上下文与用户查询一起输入 LLM，让 LLM 基于这些额外信息生成有依据的回复。

以下伪代码展示了朴素 RAG 的工作流程：

# 第一阶段：离线摄入
def store_documents(documents):  # 定义“存储文档”函数
for doc in documents:  # 遍历所有待存储文档
embedding = embed(doc)  # 对文档进行嵌入（生成向量表示）
database.store(doc, embedding)  # 将文档及其向量存储到数据库
# 第二阶段：在线检索+生成
def search(query):  # 定义“检索”函数
query_embedding = embed(query)  # 对用户查询进行嵌入
results = database.similarity_search(query_embedding, top_k=5)  # 相似度检索，取Top5结果
return results  # 返回检索结果
def answer_question(question):  # 定义“回答问题”函数
# 先检索，再生成回复（固定流程）
context = search(question)  # 调用检索函数，获取上下文
prompt = f"上下文：{context}\n问题：{question}\n答案："  # 构造提示词
response = llm.generate(prompt)  # LLM生成回复
return response  # 返回回复

尽管朴素 RAG 能有效减少简单场景下 LLM 的 “幻觉”（生成无依据内容），但它存在一个关键局限：

1. 从外部知识源检索信息时，不会先判断 “是否需要这些信息”；
2. 无论检索到的信息是否相关、是否正确，都只进行一次检索；
3. 所有额外信息都依赖单一外部知识源存储。

这些局限意味着：在更复杂的场景中，如果检索到的上下文与用户查询无关甚至有误，LLM 仍可能产生 “幻觉”。

二、AI 智能体化 RAG：通过工具调用实现只读

AI 智能体化 RAG（Agentic RAG）解决了朴素 RAG 的诸多局限：它将 “检索步骤” 定义为智能体可调用的一种工具。这一改变让 AI 智能体能够：

1. 先判断 “是否需要额外信息”；
2. 决定使用哪种工具进行检索（比如：存储专有数据的数据库 vs 网页搜索）；
3. 评估检索到的信息是否与用户查询相关。

以下伪代码展示了 AI 智能体在 AI 智能体化 RAG 流程中如何调用 SearchTool（检索工具）：

class SearchTool:  # 定义“检索工具”类
def __init__(self, database):  # 初始化工具，关联数据库
self.database = database
def search(self, query):  # 定义“检索”方法
query_embedding = embed(query)  # 对查询进行嵌入
results = self.database.similarity_search(query_embedding, top_k=5)  # 相似度检索Top5
return results  # 返回检索结果
def agent_loop(question):  # 定义“智能体循环”函数（核心逻辑）
messages = [{"role": "user", "content": question}]  # 初始化对话历史，存入用户问题
while True:  # 循环：持续判断是否需要调用工具
# LLM生成响应，同时告知其可使用SearchTool
response = llm.generate(
messages,
tools=[SearchTool]
)
if response.tool_calls:  # 如果LLM决定调用工具
for tool_call in response.tool_calls:  # 遍历所有工具调用请求
if tool_call.name == "search":  # 若调用的是“检索工具”
results = search_tool.search(tool_call.arguments["query"])  # 执行检索
# 将检索结果存入对话历史，角色标记为“工具”
messages.append({
"role": "tool",
"content": f"检索结果：{results}"
})
else:  # 如果LLM不调用工具，直接返回生成的回复
return response.content

朴素 RAG 与 AI 智能体化 RAG 有一个共同点：信息均在离线阶段存入数据库，而非在推理（inference）阶段存储。这意味着：AI 智能体只能 “检索” 数据，无法在推理阶段对数据进行 “写入、修改或删除”。这一局限导致：默认情况下，朴素 RAG 和 AI 智能体化 RAG 系统都无法从过往交互中学习并改进。

三、AI 智能体记忆：通过工具调用实现读写

AI 智能体记忆（Agent Memory）通过引入 “记忆管理概念”，解决了朴素 RAG 和 AI 智能体化 RAG 的上述局限。它让 AI 智能体能够从过往交互中学习，并通过更具个性化的方式提升用户体验。

AI 智能体记忆的概念建立在 AI 智能体化 RAG 的基本原则之上：它同样通过工具从外部知识源（记忆库）中检索信息。但与 AI 智能体化 RAG 不同的是，AI 智能体记忆还能通过工具向外部知识源 “写入” 信息，具体流程如下：

这一能力让 AI 智能体不仅能 “回忆”（从记忆库中检索）信息，还能 “记住”（向记忆库中存储）信息。其最简单的实现形式是：在一次交互结束后，将原始对话历史存入一个集合（collection）；之后，AI 智能体可通过检索过往对话找到相关信息。

若要进一步扩展，还可让 “记忆管理系统” 生成对话摘要并存储，以备后续参考；甚至能让 AI 智能体在对话中主动识别重要信息（比如：用户提到喜欢用表情符号、或提及自己的生日），并基于这些事件创建记忆。

以下伪代码展示了 “ AI 智能体记忆” 如何在 AI 智能体化 RAG 的基础上，通过新增 WriteTool（写入工具）实现信息存储：

class SearchTool:  # 定义“检索工具”类
def __init__(self, database):  # 初始化工具，关联数据库
self.database = database
def search(self, query):  # 定义“检索”方法
results = self.database.search(query)  # 执行检索
return results  # 返回检索结果
# 为简化演示，此处仅定义“写入工具”；实际中还可添加“更新、删除、整合”等工具
class WriteTool:  # 定义“写入工具”类
def __init__(self, database):  # 初始化工具，关联数据库
self.database = database
def store(self, information):  # 定义“存储”方法
self.database.store(information)  # 将信息存入数据库
def agent_loop(question):  # 定义“智能体循环”函数（核心逻辑）
messages = [{"role": "user", "content": question}]  # 初始化对话历史，存入用户问题
while True:  # 循环：持续判断是否需要调用工具
# LLM生成响应，同时告知其可使用SearchTool和WriteTool
response = llm.generate(
messages,
tools=[SearchTool, WriteTool]
)
if response.tool_calls:  # 如果LLM决定调用工具
for tool_call in response.tool_calls:  # 遍历所有工具调用请求
if tool_call.name == "search":  # 若调用“检索工具”
results = search_tool.search(tool_call.arguments["query"])  # 执行检索
# 将检索结果存入对话历史
messages.append({
"role": "tool",
"content": results
})
elif tool_call.name == "store":  # 若调用“写入工具”
result = write_tool.store(
tool_call.arguments["information"]  # 获取待存储信息
)
# 将存储结果存入对话历史
messages.append({
"role": "tool",
"content": result
})
else:  # 如果LLM不调用工具，直接返回生成的回复
return response.content

四、这一简化思维模型的局限性

正如本文开头所说，上述对 AI 智能体记忆的对比仅为 “简化思维模型”，它帮助我将 “ AI 智能体记忆” 与已熟悉的 RAG 概念关联起来，但为了避免让大家误以为 “AI 智能体记忆只是‘带写入功能的 AI 智能体化 RAG’”，需要强调这一简化模型的几个局限性：

1. 单一记忆源的简化：为清晰起见，上述模型仅展示了 “单一记忆源”，但实际应用中，不同类型的记忆可使用不同的存储源。例如，可参考 CoALA 论文的思路，为以下三类记忆分别建立独立的数据集：

• “程序性记忆”（如 “与该用户互动时使用表情符号”）；
• “情景记忆”（如 “用户在 10 月 30 日提到过计划旅行”）；
• “语义记忆”（如 “埃菲尔铁塔高 330 米”）；此外，还可单独为 “原始对话历史” 建立数据集。

2. 缺少复杂记忆管理策略：上述模型仅涵盖了 “CRUD 操作”（创建、读取、更新、删除），但未包含更复杂的记忆管理策略，比如：MemGPT（记忆生成式预训练 Transformer）中提到的高级策略。
3. 新增挑战未体现：尽管 AI 智能体记忆实现了 “记忆持久化”，但也带来了 RAG 和 AI 智能体化 RAG 没有的新挑战，例如 “记忆损坏”，以及对 “遗忘” 等记忆管理策略的需求。

五、总结

本质上，RAG、AI 智能体化 RAG 和 AI 智能体记忆的核心差异，在于 “如何对外部知识源（比如：文本文件、数据库）中存储的信息进行创建、读取、更新和删除（CRUD）”。

类型	信息存储方式	信息检索方式	信息编辑与删除方式
RAG	在摄入阶段离线进行	一次性检索	需手动操作
AI智能体化 RAG	在摄入阶段离线进行	通过工具调用动态检索	需手动操作
AI 智能体记忆	通过工具调用动态存储	通过工具调用动态检索	通过工具调用动态操作

最初，优化朴素 RAG 的核心焦点在于 “检索环节”，比如：采用向量检索、混合检索、关键词检索等不同技术（即 “如何检索信息”）；随后，焦点转向 “工具选择”，即 “是否需要检索信息？若需要，从哪个知识源检索？”；过去一年，随着 AI 智能体记忆的兴起，焦点再次转移：RAG 和 AI 智能体化 RAG 均以 “检索” 为核心，而 AI 智能体记忆则融入了对外部知识源中数据的 “创建、修改和删除” 操作，核心变为 “如何管理信息”。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发