从零实现AI代理的长期记忆

大多数开发人员认为"记忆"只是存储聊天日志。这是一个根本性的误解。

如果你想构建一个能够真正了解你的 AI 代理------一个能够根据你的整个对话历史、目标、健身水平和偏好提供个性化建议的系统------那么你就需要超越简单的聊天日志存储。

1、为什么当前的聊天机器人会失败

每次你刷新页面时,聊天机器人都忘记了你是谁。它必须从头开始了解你。

这会：

烧毁 token（每次重新阅读整个对话）
增加延迟（搜索数据库减慢响应）
提供糟糕的用户体验（机器人重复问相同的问题）
为了解决这个问题,我们需要分离两种记忆：

1) 非结构化记忆（The Stream）

持续的对话流
允许快速查询（不扫描整个表）
适合：一般聊天、最近上下文
2) 结构化事实（The Facts）
用户档案：年龄、性别、目标、健身水平
稳定的信息：不经常变化
适合：个性化推荐、设置更新

2、设置数据库

让我们使用 SQLite,因为：

轻量级（与 Python 代理完美集成）
内置（无需外部依赖）
完美适配演示环境
数据库架构：

CREATE TABLE IF NOT EXISTS profiles (
session_id TEXT PRIMARY KEY,
gender TEXT,
age INTEGER,
fitness_level TEXT,
goals TEXT,
updated_at TEXT DEFAULT CURRENT_TIMESTAMP
);

这个表是我们的"真相来源"------它包含不会随每次对话重新计算的稳定事实。

3、记忆提取层

在源代码中,我们实现一个轻量级提取函数：

复制代码

def extract_profile_updates(message: str) -> Optional[dict]:
    """从用户消息中提取个人资料更新。"""
    # 示例 - 提取年龄、健身水平和目标
    import re
    age_match = re.search(r'\b(\d+)\b', message)
    fitness_match = re.search(r'fitness level[:\s]+', message)
    goal_match = re.search(r'goal[:\s]+', message)
    
    if age_match or fitness_match or goal_match:
        return {
            'age': int(age_match.group(1)) if age_match else None,
            'fitness_level': fitness_match.group(1) if fitness_match else None,
            'goals': goal_match.group(1) if goal_match else None
        }
    return None

这个函数在后台运行,确保用户档案保持最新。

4、提示注入层（代理的大脑）

这是真正的魔法发生的地方。我们的代理需要能够访问这些记忆来做出智能决策。

我们使用 系统提示注入来组合查询：

复制代码

# 伪代码示例
context = {
    "stream_summary": get_recent_stream(),      # 非结构化：最近消息
    "user_profile": get_user_profile(),         # 结构化：用户事实
    "goals": get_user_goals()              # 从档案中读取
}

prompt = f"""
根据以下上下文,做出适当的回复：

**流记忆（非结构化）:**
{context['stream_summary']}

**用户档案（结构化）:**
- 年龄：{context['user_profile']['age'] if 'age' in context['user_profile'] else '未知'}
- 健身水平：{context['user_profile']['fitness_level'] if 'fitness_level' in context['user_profile'] else '未知'}
- 目标：{context['user_profile']['goals'] if 'goals' in context['user_profile'] else '无'}
- 偏好：根据健身水平和历史记录
- 更新时间：{datetime.now().strftime('%Y-%m-%d')}

**要求：**
- 提供个性化建议
- 参考健身目标和水平
- 如果涉及健身计划,调整建议
- 保持对话连贯性
- 不要假设信息,总是从档案中读取

**你的回复风格:**
- 专业且友好
- 如果需要更多上下文,说明你将从流记忆中查找
- 使用用户的名字（如果已知）
"""

这确保我们的代理不会做出奇怪的假设,而是基于真实数据。

5、技术实现细节

源代码可在 Fabio Hiroki 的 GitHub**

这是一个完整的、生产就绪的实现,包含：

双重记忆架构
SQLite 数据库集成
提取和提示注入系统
Gradio Web 界面
关键技术：
会话管理（session_id）
异步更新（避免阻塞）
上下文组合（Stream + Facts）
智能提示（避免重复查询）

6、实际应用场景

场景 1：健身指导

用户："我最近开始去健身房"

代理响应：

检索用户档案 → 年龄：28, 健身水平：初级
检索最近目标 → "每周锻炼 3 次"
生成个性化建议："根据您的健身水平,建议从每周 2 次开始,关注基础动作"
引用用户档案更新："记得你是从上次对话开始的"

7、未来展望

下一代 AI 代理不会只是"更聪明的聊天机器人"------它们将具有深度持久记忆,能够理解用户在多个对话中的意图、目标和偏好。

随着 世界模型的发展,我们有更多机会将记忆与推理相结合,创造出真正个性化的 AI 助手。

原文链接：从零实现AI代理的长期记忆 - 汇智网