跳转至

智能体架构 —— 情景记忆与语义记忆栈，让智能体真正“长脑子”

Ch01.1079 智能体架构 —— 情景记忆与语义记忆栈，让智能体真正“长脑子”

📊 Level ⭐⭐ | 5.8KB | entities/智能体架构-情景记忆与语义记忆栈让智能体真正长脑子.md

智能体架构 —— 情景记忆与语义记忆栈，让智能体真正“长脑子”

来源: 数据STUDIO

发布日期: 2026-04-02

原文链接: https://mp.weixin.qq.com/s/eyhtnbnN-3ocGKvslf2u8A

你是否有过这样的经历？和一个AI助手聊了好几次，它还是记不住你的名字，更别提你反复强调的“我是保守型投资者，偏好成熟科技股”。每次对话都像第一次见面，翻来覆去问你同样的问题，感觉像在对着一只“金鱼”聊天——记忆只有几秒。

市面上大多数智能体（Agent）确实如此。它们的记忆是短暂的，只存在于当前会话中。一旦窗口关闭，之前聊过的内容、用户偏好、积累的知识都烟消云散。但真正的智能体，应该能随着与用户的互动不断学习和成长，成为你的长期伙伴。

今天，我们就要解决这个痛点。我们将实现一个 结构化记忆架构 ，它模仿人类认知，结合了 情景记忆 和 语义记忆 。简单来说，智能体既能记住“过去聊过什么”，又能从这些对话中提取出“我了解用户什么”。这样，无论多久后再对话，它都能回忆起你的喜好，给出真正个性化的答案。

废话不多说，直接上干货。

什么是“双栈记忆”？

在正式动手前，我们先搞清楚这两个概念。

  • 情景记忆 ：就像你写日记，记录下某个时间、地点发生的事件。它回答“发生了什么？”（例如，“上周，用户问我英伟达股价，并提到自己是保守型投资者。”）。我们会用

向量数据库 来存储，以便后续根据语义相似性快速找到相关过往对话。

  • 语义记忆 ：就像你从日记中提炼出的知识卡片——张三喜欢科技股，李四对新能源感兴趣。它回答“我知道什么？”（例如，“用户Alex是保守型投资者”“Alex对科技股感兴趣”）。这些信息之间存在关联，因此我们用

图数据库 （如Neo4j）来管理，因为它擅长处理复杂的“实体-关系”查询。

两者结合，智能体既能回顾往事，又能构建一个关于用户和世界的、丰富互联的知识库。这种“双栈记忆”是实现深度个性化和上下文感知交互的关键。

架构工作流：从“过目就忘”到“过目不忘”

我们设计的智能体，在每次对话中会经历三个核心阶段：

  • 回忆 ：收到用户消息后，同时查询两个记忆系统——在情景向量库中找相似的过往对话，在语义图库中找与当前话题相关的事实。

  • 生成 ：将检索到的记忆拼接到提示词中，让大模型生成一个“知情”的、个性化的回复。

  • 编码 ：对话结束后，后台进程分析本次对话，生成摘要（新的情景记忆），并提取出关键实体和关系（新的语义记忆），分别存入库中。

这种设计让智能体能够无限期地积累用户知识，而不会被上下文窗口的长度所限制。

动手实现：搭建“双栈记忆”智能体

我们一步步来，先安装依赖、配置环境，再构建记忆组件，最后组装成智能体。

阶段0：基础与设置

首先，安装必要的库，包括向量库（FAISS）、图数据库驱动（neo4j）以及LangChain生态的相关组件。

!pip install -q -U langchain-nebius langchain langgraph rich python-dotenv langchain_community langchain-openai neo4j faiss-cpu tiktoken

接着，导入模块并加载API密钥。这里我们使用Nebius提供的LLM和Embedding服务，并配置LangSmith追踪。注意，图数据库Neo

→ 原文存档

关联