AI记忆是为了让AI的每次任务处理都能更加符合用户需求，那么在每次进行任务处理的时候就和人一样，需要把与这次任务最相关的记忆全部召回出来，在结合本次的任务目标上下文进行对应任务处置。召回的记忆越相关、越丰富，最终任务处理的质量就越高。

AI记忆就是从两个维度来增强AI记忆能力，一个是解决：从哪里找到更有用的知识？另一个解决：如何将更多有用的知识给到AI？接下来便会从这两个角度进行拆解，看看如何通过技术手段来解决两个AI记忆的问题。（注意一下：原生的AI大模型接口是没有上下文记忆的）

从哪里找到更有用的知识？

为了解决记忆增强，让更有用的知识进入AI大脑的问题，这里介绍LangMem的框架。它采用外部向量存储结合语义检索的方法，通过动态地将历史信息注入到prompt中，实现了“伪长期记忆”的效果。这种方法其实就是通过引入更多与当前任务相关联的记忆来辅助回答，从而增强回复的准确性。核心机制依赖于基于检索增强生成RAG的方法，通过RAG将本身预设的知识库中的知识之外更多的信息作为上下文加入到任务重。

可以进行补充进记忆的有效的记忆类型也多种多样，包括但不限于：

• ConversationBufferMemory：简单地串联所有对话历史。将一定数量的多伦对话历史载入AI任务上下文中。
• ConversationSummaryMemory：利用LLM对历史对话进行摘要，节省token。在进行AI任务时，将对话历史的总结性信息作为上下文。
• ConversationBufferWindowMemory：仅保留最近N轮的对话记录。留出一个记忆窗口，作为每一次任务上下文的补充。
• VectorStoreRetrieverMemory：基于向量检索实现的长期记忆支持。

用户输入 → 检索相关记忆 → 构建Prompt（含历史） → LLM生成 → 存储新记记忆为下一次的任务做准备

工作流程总结为，AI首先接收用户的输入，然后根据输入检索相关记忆，构建包含历史信息的prompt，接着由LLM生成回应，并最终将新产生的记忆存储下来，以为下一次的任务做好准备。这一系列步骤共同作用，旨在提高AI的记忆能力和响应质量。

通过记忆蒸馏提升AI记忆浓度

如何将更多有效信息融入上下文以扩大记忆容量的问题，其实不在于物理上扩大容量，而在于提高信息的密度。为了更高效地利用有限的上下文空间，可以借鉴斯坦福的Memgpt策略。这个策略通过记忆分层、记忆浓缩、认知循环、记忆摘要与索引4个方面来提升AI记忆浓度

记忆分层

Memgpt通过将记忆分为三个层次来优化这一过程：主上下文、长期存储以及内存分页机制。让不同的记忆存储到不同的位置，在不同的任务情况下动态调整记忆的分配，来确保记忆的最佳分布：

• 主上下文：作为当前工作内存，其容量是固定的，比如32K tokens，这是由大模型厂商设定的限制，也是每次对话能够传递给大型语言模型的最大上下文长度。
• 长期存储：它扮演着硬盘的角色，用于保存大量的历史信息。
• 内存分页机制：允许Agent在需要时从外部存储加载信息到主上下文中，或者当主上下文满载时，将不太重要的信息将主上下文中的记忆移出至长期存储中。

记忆浓缩

记忆浓缩的核心机制是将记忆进行结构化存储，同时进行动态记忆更新与自省。来确保知识在本意不变的情况下做占据的记忆上下文数量是最小的。整体的机制可以拆解为以下几个部分：

• 结构化记忆：与纯文本不同，记忆被构建成结构化的形式（如用户偏好、关系、事件时间线等），这使得能够在语义不变的情况下减少token的数量，从而在有限的上下文长度内包含更多的信息。例如：

  { "user": "Alice", "likes": "coffee", "last_met": "2025-09-20" }
  

• 自省机制：Agent定期进行自我总结，形成对自身行为的认知，并将其存入长期存储。在相关的对话场景中，提取这些总结而非原始的长对话记录，这样就减少了需要传送给上下文的信息量。

• 事件驱动的记忆更新：交互后，Agent会评估是否需要更新记忆、创建摘要或归档信息，确保只有最相关的内容被保留在上下文中。

• 递归上下文管理：当下下文不足时，Agent能够主动寻找更多信息，例如参考日志文件来获取过去对话的细节。

认知循环：

AI如何知道在海量的信息中，来决定我要回忆什么：通过认知循环。MemGPT将通过认知循环来执行结构化数据的检索。这是MemGPT最核心的创新之处：即大型语言模型能够主动决定“我现在需要回忆什么”。该过程通过一个被称为“认知循环”的机制实现：

**用户输入

↓

LLM 分析当前任务：“我需要回答关于旅行计划的问题”

↓

LLM 推理：“我可能需要回忆用户之前的旅行偏好”

↓

LLM 发出“系统调用”：

→ search_memory(query=“user travel preferences”, before=“2025-09-30”)

↓

系统执行机构化检索，返回相关记忆

↓

LLM 将结果整合进上下文，生成回答

↓

LLM 决定是否更新记忆：“用户再次提到旅行，应标记为高优先级”**

---

定期记忆摘要与索引优化：

MemGPT会定期对长期记忆进行自动摘要和索引构建。例如，系统可以将一周内的对话总结为：“用户计划在10月去瑞士徒步，偏好高海拔湖泊路线。” 这种总结不仅提炼了关键信息，还为未来的查询提供了基础。

这里通过例子来进行讲解：

例如用户在与一个旅游规划机器人进行了大量对话，存在以下对话记录：

喜欢高山湖泊
预算 2 万人民币
希望住有景观的民宿
担心高原反应
喜欢摄影
已订好 10月5日机票

第一步：Memgpt会通过LLM将其进行摘要总结：

【用户旅行偏好摘要 - 2025年9月30日】
- 目的地：瑞士，重点徒步区域为少女峰
- 时间：10月5日出发
- 偏好：高山湖泊景观、景观民宿、适合摄影
- 健康关注：担心高原反应
- 预算：约2万元（不含机票）
- 状态：已订机票，行程进入准备阶段
- 重要性：高

第二步：该总结会被以json形式存储到长期记忆中，建立记忆块的索引：

{
"type": "summary",
"topic": "switzerland_hiking",
"timestamp": "2025-09-30",
"keywords": ["summary", "travel", "hiking", "Switzerland"],
"importance": 0.95
}

第三步：内部通过建立关键词索引来建立基于记忆总结中的实体

索引关键词	指向的记忆条目
user	用户基本信息
travel	所有旅行相关记忆
switzerland_hiking	摘要 + 原始对话
budget	“预算2万”条目
accommodation	“景观民宿”条目
health	“高原反应”条目
flight	“10月5日机票”条目

第四步：基于用户输入进行记忆块、记忆快中关键词的的索引，来召回对应的记忆。

用户输入（10月1日）：“我瑞士旅行的预算和住宿安排是怎样的？”

MemGPT处理流程：

理解问题：涉及“预算”和“住宿”
↓
查看主上下文：当前为空
↓
触发检索决策：
“我需要回忆用户关于瑞士旅行的安排，优先查找摘要和关键词匹配的记忆。”
↓
执行检索：
先查索引：topic=switzerland_hiking → 找到摘要条目（记忆块）
↓
再查关键词：budget, accommodation → 找到记忆块中的两条原始记忆
↓
由于摘要已包含关键信息，无需加载全部6条原始记忆
↓
加载最相关记忆到主上下文

最终通过这种高效的总结与索引建立，进行长期记忆的存储，与在特定任务时对于长期记忆的召回。

总结起来，AI记忆的核心也是在补足原生大模型的能力缺陷，通过让有用的知识进入记忆，以及让更多的有用知识进入记忆从知识的广度和深度两个层面，让AI迸发出更大的潜能。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】