ARTICLE · 1137511
【备课随笔】AI 的记忆机制:从认知理论到检索增强与知识图谱
【备课随笔】AI 的记忆机制:从认知理论到检索增强与知识图谱记忆机制和工作原理是AI 系统基本内容。我们把AI Agent 的记忆分成感官、短期、长期、情景、语义五类，这个分类并不新鲜，它直接源自人类认知心理学。但它被工程化之后，恰好回答了人工智能应用中最现实的问题：一个 AI Agent 凭什么能在复杂任务中持续理解、决策和学习？ 这篇文章想把这套”记忆机制”尽量讲清楚：先看记忆理论的来龙去脉，再看它在当下最热门的 RAG（检索增强生成）里如何落地，最后落到知识图谱上，讨论它和记忆到底是什么关系。 一、记忆是什么：先回到认知科学 在谈工程之前，需要先承认一件事：AI 的记忆体系几乎是人脑记忆模型的翻版。理解人脑，才理解为什么记忆要分成这么多层。 认知心理学里有两个经典模型。一个是 Atkinson 与 Shiffrin 提出的多存储模型，它把记忆分成“感觉登记—短期记忆—长期记忆”的三级加工流水线。另一个是 Tulving 对长期记忆的细分，他把长期记忆拆成情景记忆（我经历过什么）和语义记忆（我知道什么知识），后来又加了程序性记忆（我怎么做某件事）。 把这两套理论放进来，再对照工程上的 Agent，就会发现一一对应： 感官记忆，对应人脑的感觉登记。它是环境信息的瞬时缓冲，存的是“刚刚发生了什么”。用户此刻问了什么、屏幕上正在发生什么、传感器传回的最新数值。它的存活时间只有毫秒到秒级，稍纵即逝，作用只有一个：把原始刺激短暂兜住，交给下一环节处理。 短期记忆，对应工作记忆。它存的是“当前正在做什么”所需的全部上下文。这段对话的历史、Agent 正在推进的中间步骤、刚完成的动作。它的容量和生命周期都有限，几分钟到几小时，但它是所有推理、规划、决策真正发生的地方。 长期记忆，对应人脑可跨越数年的持久存储。它存的是跨会话沉淀下来的信息。用户的偏好、过去的关键互动、重要事实。它让 Agent 具备“性格”和“一致性”：同一个用户再回来，Agent 还记得他是谁、他关心什么。 情景记忆，是人脑经验的数字化。它按“片段”记录一个个完整事件。什么时候发生、当时什么上下文、结果如何。它让 Agent 能够“从经验中学习”，回看自己过去做对了什么、做错了什么。 语义记忆，是那座“事实与知识的大图书馆”。它存通用知识、领域信息、产品文档、公共知识，永久存在且不断扩充。它给 Agent 提供“理解世界”的底料。 所以，单看这一层，记忆机制其实回答了一个问题：不同时效、不同性质的信息，应该由不同的记忆容器来承载。 这是所有记忆设计的第一原则。 二、分层之后怎么协同：记忆流动的基本机制 分层只是静态结构，真正让 Agent“活”起来的，是五类记忆之间的动态流动。这张图真正的价值，不在分类本身，而在它画出的那张协作链路。 把链路说人话就是四步： 第一步，感官喂给短期。实时输入先进感官缓冲区，然后被提升为短期记忆的上下文，进入 Agent 的“工作台”。 第二步，短期调用长期与语义。在执行当前任务时，Agent 不只是用眼前这几十条上下文，它还要从长期记忆里调出用户偏好，从语义记忆里检索相关知识，才能做出“有背景”的判断。这一“检索出来再拼进上下文”的动作，正是后面要讲的 RAG 的核心。 第三步，经验写成情景。每完成一个任务，帮用户解决了一个问题、跑通了一段流程，Agent 会把这次经历连同时间、上下文、结果记成一条情景记录。 第四步，洞察晋升长期。情景记录里反复出现的、有持久价值的模式，会被提炼出来，沉淀进长期记忆或语义记忆，完成从“一次经验”到”稳定知识”的升级。 把这条链路抽象成一个机制，就是三个关键词：写入、检索、晋升。 写入是把新信息落进合适的容器；检索是在需要时把对的记忆找回来；晋升是让有价值的短期信息转化为长期资产。 任何一个 AI 应用，只要想做到“持续学习”，底层都逃不开这三件事。 理解了这个机制，就能回答那个常见疑问：为什么有些 Agent 越用越顺手，有些 Agent 每次对话都像失忆？差别不在模型多强，而在它的记忆系统有没有把“写入—检索—晋升”走通。 三、RAG：记忆检索的工程化落地 聊完机制，落到当下最热的技术之一：RAG，检索增强生成。 RAG 的本质，其实就是“短期记忆在需要时，从长期记忆和语义记忆里检索信息”，只是它把这个过程工程化了、规模化、工业化了。 RAG 解决的是大模型的一个致命短板：模型参数是固定的，训练截止之后的世界它不知道，私有领域知识它也没学过。 无论模型多大，它的“语义记忆”都存在一个快照里，无法自己更新。RAG 的办法很直接，不把知识塞进模型的“脑子”里，而是放在外部存储里，每问一次，就从外部检索相关片段，拼进上下文再让模型作答。 这个流程分四步： 第一步，切块与向量化。把长文档切成小块，每块用一个向量模型编码成高维向量，让“意思相近的文本”在向量空间里距离近。 第二步，建立索引。把海量向量存进向量数据库。这里的索引结构，决定了检索快不快。常见的 HNSW 这类算法，本质是先建“近似的图”，让检索时不必逐个比对所有向量，而是沿着邻居关系快速逼近目标。 第三步，语义检索。当用户提问，先把问题向量化，再在库里找出与它语义最接近的若干块。这里最关键的是“语义相似而不是关键词匹配”。它实现了跨措辞的理解，问“怎么提高换热效率”和“传热不佳怎么办”，检索到的可能是同一批内容。 第四步，拼装与生成。把检索到的片段当成“短期记忆的即时上下文”，注入提示词，模型在“参考了正确记忆”的前提下给出有依据的回答。 看到这里应该明白了：RAG 就是记忆机制的检索环节，用工程手段放大了。 感官记忆对应“用户此刻的提问”，短期记忆对应“模型正在处理的上下文窗口”，长期记忆和语义记忆对应“向量库里的外部知识”，而检索就是那条把它们连起来的血管。 RAG 之所以成为 AI 应用的基本范式，是因为它解决了一个根本矛盾：模型的能力可以大而全，但应用的记忆必须专而准、且能持续更新。 改文档不用重新训练模型，只要更新向量库。 这就是 RAG 对“记忆系统”最大的贡献：它让知识的“写入”变得便宜、即时。 四、知识图谱：把记忆变成“有关系”的知识 不过 RAG 也有它的软肋。向量检索擅长“找相似”，但不擅长“答关系”。比如“这个装置的所有下游设备有哪些”“这个参数的变更会影响哪些环节”，这一类需要沿着关系链条推理的问题，纯向量检索往往答得吃力。 于是知识图谱登场了。知识图谱不是一种“新的记忆类型”，而是语义记忆的一种更高阶的组织形式。它的基本思想是：记忆不能只是一堆孤立的块或向量，而应该是“实体 + 关系”组成的网络。 在知识图谱里，世界被描述成一个个三元组：实体A—关系—实体B。比如“换热器E—位于—装置W”、“压力—影响—产品收率”。这些节点和边连起来，就是一张网。 知识图谱给记忆带来的，是两个不可替代的能力： 第一个是精确的多跳推理。 它可以在图上”走”。从 A 走到 B 再走到 C。回答向量检索答不了的关联性问题。这种结构化的推理路径，是可解释的：模型能告诉你，结论是靠哪条路径推出来的。这在化工、设备诊断这类“因果链条极其重要”的行业里，价值不言自明。 第二个是有约束的一致性。 知识图谱里的实体和关系是有明确定义的，不会出现“同一个东西叫了两个名字”这种混乱。它像一张工程的蓝图，让知识保持结构稳定，而不是散落的一堆文本。 那知识图谱和 RAG 是竞争关系吗？不是。业界正在把它们做“合一”。这一方向被称为 GraphRAG（图检索增强生成）。做法大体是：先在语料上构建知识图谱，再在回答时既做向量语义检索，又同时沿着图谱做关系检索，把两路结果一起喂给模型。这样既保住了“语义理解”的灵活性，又获得了“关系推理”的严谨性。这几乎可以说是“语义记忆”两种形态：向量版和图谱版，在同一次检索中的协同。 如果把视野再拉高一层，图谱和向量恰恰对应了人脑记忆的两种互补形态：一种是“直觉式的联想记忆”（相似就关联），一种是“结构化的逻辑记忆”（按关系推理）。一个 Agent 要想既通人情世故又守工程逻辑，两者缺一不可。 五、从理论到落地：这套机制对 AI 应用的意义 讲到这里，可以回头总结这套“记忆机制”对整个 AI 应用的基本意义了。它至少给出三条可操作的原则。 第一，分层存储是必然，不是选择。 没有任何单一技术能同时满足“极快、极大、极持久、可语义检索”。感官与短期记忆要 Redis 这类内存缓冲，长期记忆要向量库，情景记录要日志和事件存储，结构化事实要关系库和知识图谱。我们的应用有多少种记忆需求，就要搭配多少种存储。 第二，检索决定智能的天花板。 记忆存得再多，检索不出来等于没有。真正决定一个 Agent 聪明与否的，往往不是模型本身，而是“需要时能否把对的记忆找回来”。向量索引的构建、混合检索的策略、查询改写和重排，都在这一个环节里决定成败。 第三，晋升是持续学习的唯一路径。 一个只会“存”不会“提炼”的系统，存得越多反而越乱。价值在于把那一条条“情景经验”，升华为稳定的“长期知识与语义知识”。这既是工程上的数据治理，也是一种机制设计，让系统在运转中自我进化。 最后回到最朴素的原问题：记忆做对了，Agent 能持续理解、决策、学习；记忆做错了，它每次都得从零开始。 这句话在认知科学里成立，在大模型时代依然成立。因为无论模型多强大、参数量多惊人，一个没有记忆机制的系统，都不配被称为“智能体”。 而记忆机制，说到底就是三件事：分层把它放好，检索把它找到，晋升把它沉淀。 大模型是如此，人的大脑也是如此，大模型能力是如此，人的知识架构和能力来源更是如此。