AI 记忆到底是什么？

返回 EachOf 项目 目录

项目版本说明

这些问答整合历史设计与实现资料；当前 main 分支 README 以工作包描述建设状态。具体能力、实验数据与设计目标的边界见项目状态与证据。

标准回答

AI 长期记忆的基本做法：把值得保留的信息存到外部，回答新问题时再找出相关部分，提供给模型。

先把模型当作“拿着材料回答的人”

你向模型提问时，应用会把问题、指令、相关历史等组成一份输入材料。这份材料叫上下文（Context）。模型根据这份材料和训练时学到的能力生成回答。

普通推理调用不会因为你说“我主要写 Java”，就自动把这句话永久写进模型参数。下一次调用能否知道，取决于应用有没有重新提供相关信息，以及它使用了什么记忆机制。

四个容易混淆的东西

概念	通俗理解	例子
模型参数	训练后形成的能力与知识	模型知道 Java 的基本语法。
上下文 / 短期工作记忆	这次回答拿到的材料	当前对话中的问题、近期消息、工具结果。
长期记忆	跨会话保存、可按需找回的外部信息	“这个项目使用 PostgreSQL”以及来源和时间。
聊天记录	发生过什么的原始记录	几十页对话；其中只有一部分值得提炼成记忆。

为什么不把所有聊天都塞回去

输入长度有上限，传入更多内容通常也增加成本和处理时间。大量无关、重复、已过时的信息还会干扰回答。例如旧方案和新方案一起放进去，却没有说明哪个仍有效，模型可能选错。

所以长期记忆需要做两件事：保存有价值的信息；在当前问题下选出仍然适用的信息。

记忆的四个基本动作

• **提取：**从“聊了很多内容”中选出可能长期有用的陈述。
• **存储：**保存文字，以及属于哪个项目、来自哪里、何时有效等信息。
• **检索：**新问题来了，查找相关且允许使用的记忆。
• **提供上下文：**把选中的记忆交给 Agent 或回答流程，由其用于生成回复。

RAG、记忆、Agent 的关系

RAG即检索增强生成：先查资料，再让模型结合资料作答。长期记忆可以采用这条读取路径，同时还需要管理信息如何写入、纠正、过时和撤销。

Agent可以理解为围绕模型运行的一套程序：接收目标、调用工具、观察结果、继续行动。EachOf 提供可调用的上下文能力；Agent 负责何时调用，以及如何使用结果。

你可以这样复述

“模型一次回答只能使用当次获得的材料。长期记忆把重要信息保存起来，需要时再检索并放回上下文，让下一次会话接得上。”

自查：存进数据库后，模型就自动知道了吗？

没有。还需要应用或 Agent 发起检索，并把返回内容放进模型本次输入。存储、返回、实际使用，是三个不同环节。

内容来源

• EachOf Wiki · 记忆与上下文 · 原条目 basics