概述
它可以支持连续性，但不能保证学习或事实正确性。
深入探讨
Research systems such as Generative Agents use a memory stream, retrieval, reflection, and planning in a simulated-agent setting. Reflexion stores textual lessons from feedback for later attempts without changing model weights. These are research designs, not evidence that every memory system learns preferences correctly. Memory may be stale, irrelevant, or sensitive, so storage and retrieval need explicit policies. In the Generative Agents paper, each memory object contains a natural-language description, creation timestamp, and most-recent-access timestamp. Its retrieval score combines recency, relevance, and importance. These are properties of that paper’s implementation, not every agent-memory system. User-facing inspection, correction, and deletion are useful design controls for systems that retain personal facts. A useful classical distinction is semantic memory for general facts and learned knowledge versus episodic memory for personally experienced events situated in time and context. An agent memory design may represent both, but the labels describe different content and do not guarantee truth or permanence.
现实世界的实施
存储用户批准的偏好及其来源和时间戳。
检索与新编码任务相关的项目笔记。
总结重复的观察结果，同时保留指向原始记录的链接。
让用户检查或删除存储的信息。
代理内存系统的未来
内存 API 和智能体系统正在不断演进。请针对目标应用评估检索质量、隐私和过期事实处理；不要将检索到的文本视为已验证的事实。
付诸实践
为什么这很重要
- 构建选择. 应用级设计决定了人工智能是否能改善实际结果。
- 团队与工作流程. 良好的工作流程集成可以创造用户值得信赖的生产力收益。
- 风险与安全. 范围明确的用例可以减少变更疲劳和实施风险。
留意
- 将损坏的流程自动化可能会加剧现有问题。
- 团队可能会过度自动化并消除所需的人工判断。
- 如果不持续评估输出，质量可能会出现偏差。
后续步骤
- 绘制当前工作流程并确定摩擦最大的步骤。
- 在完全自动化之前定义人工检查点。
- 对用户进行提示、升级路径和质量标准方面的培训。
- 跟踪任务级结果以确认持续价值。
不断探索
常见问题
什么是智能体内存系统？
智能体内存将所选信息存储在模型当前上下文之外，并在有用时检索它。它可以支持连续性，但不能保证学习或事实正确性。
为什么要向无状态的 LLM 请求添加外部内存？
对于无状态请求，当前上下文中不存在的信息除非应用程序存储并检索，否则不可用。这并不意味着每个模型或应用程序都以相同方式处理内存。
哪种内存类型存储有关用户或世界的事实和学习偏好？
语义记忆保存一般事实和偏好，而情景记忆保存特定过去事件的记录。
每个生成式代理记忆对象包含哪些元数据？
生成式代理论文将每个记忆对象描述为具有自然语言描述、创建时间戳和最近访问时间戳。
根据主题，内存系统真正困难的部分是什么？
存储便宜；挑战在于选择、总结、检索正确的记忆，并忘记陈旧或矛盾的信息。
“反射”步骤通常在存储系统中起什么作用？
反射将原始交互日志整合为代理可以重用的更高级别的语义见解，如生成代理设计中所示。