👨⚕️ 主页： gis分享者 👨⚕️ 感谢各位大佬 点赞👍 收藏⭐ 留言📝 加关注✅! 👨⚕️ 收录于专栏：AI大模型原理和应用面试题 
文章目录
- 一、🍀回答重点
- 二、🍀扩展知识
-
- 2.1 ☘️记忆的写入时机和策略
- 2.2 ☘️检索增强的记忆架构
- 2.3 ☘️记忆检索的混合策略
- 2.4 ☘️记忆的衰减和冲突处理
- 2.5 ☘️工业级方案对比
- 三、🍀面试官追问
一、🍀回答重点
让 Agent 具备长期记忆，本质就是让它能跨会话地\”记住\”信息，并在需要时准确地\”回忆\”出来。核心要解决两个问题：什么信息值得存、怎么在需要时高效取出来。
存储方案目前主流有三种路线：
1）向量数据库方案
把信息通过 Embedding 模型转成向量存储，检索时用语义相似度匹配。适合存非结构化的文本信息，比如历史对话摘要、知识片段、用户提过的偏好。优点是语义检索能力强，哪怕措辞完全不同也能找到相关内容。缺点是对精确信息比如日期、数字检索不靠谱。
2）结构化数据库方案
用传统的关系型数据库或 KV 存储管理结构化信息。用户档案、偏好设置、任务日志这些用 PostgreSQL 或 Redis 存着，精确查询一查一个准。缺点是需要预先定义好 schema，灵活性差一些。
3）知识图谱方案
用实体-关系-实体的三元组存储。比如\”用户A → 偏好 → Python\”、“项目X → 技术栈 → React”。适合存有明确关联关系的知识，查询时能做多跳推理。但构建和维护成本高，小团队一般用不起。
实际项目中通常混合使用：结构化信息用数据库，非结构化知识用向量库，关系型知识用图谱。像 ChatGPT 的 Memory 功能底层就是向量库 + 结构化存储的组合。
