记忆对智能体行为的影响

记忆能使LLM智能体从处理独立请求的系统转变为可以进行持续、合理交互的系统。没有记忆，智能体就像一个没有短期记忆的人，把接收到的每条信息或每个问题都当成第一次遇到的。有了记忆，智能体可以形成连贯的理解线索，从而带来明显不同且更有益的行为。

不只是回忆事实

当我们谈论记忆如何影响智能体行为时，这不仅仅是关于智能体能够重复你之前说的话。相反，记忆（通常以对话历史或过去交互摘要的形式）会与你的最新输入一同提供给大型语言模型（LLM）。这种丰富的上下文 (context)使得LLM能够生成以下回复：

• 上下文相关： 智能体可以理解代词（如“它”、“它们”、“那个”）或指代对话先前部分的后续问题。如果智能体有记忆，它能将“它的主要用途是什么？”这样的问题与之前讨论过的主题联系起来。没有记忆，智能体将会不知所措，无法确定“它的”指代的是什么。

  让我们来看一个简短示例：

  • 无记忆交互：
    • 用户： “法国首都是哪里？”
    • 智能体： “法国首都是巴黎。”
    • 用户： “那它的人口呢？”
    • 智能体： “什么的人口？请您具体说明。”
  • 有短期记忆交互：
    • 用户： “法国首都是哪里？”
    • 智能体： “法国首都是巴黎。”
    • 用户： “那它的人口呢？”
    • 智能体： “巴黎市区人口大约是210万。”

• 随时间保持连贯： 智能体可以追踪任务或主题在多轮对话中的进展。例如，如果你指示一个智能体逐步构建文档摘要，记忆使其能够记住之前已总结的部分，并连贯地整合新信息。如果你让它向列表中添加项目，它会记住已有的列表。

• 更具个性化（基本层面）： 如果你在会话早期提及偏好，例如“我是编程新手”，一个有记忆的智能体可能会调整其解释，使其更基础，或提供对初学者友好的示例，如果它被这样设计的话。这并非深层次的个性化，而是基于当前会话记忆上下文的反应性调整。

• 更自然、更吸引人： 当智能体记住已讨论过的内容时，对话感觉不那么机械，更像自然的对话。它避免重复询问相同信息或给出与正在进行的交流脱节的回复。这使得与智能体交互的过程更顺畅、更直观。

下图说明了智能体对记忆的访问如何改变信息流向LLM的方式。

短期记忆如何为LLM提供当前输入以及历史上下文，使得智能体能够给出更具信息量和相关性的回复。

记忆如何影响LLM的“思考”

理解这一点很重要：LLM本身并不会像人类大脑使用生物记忆那样，在独立的API调用之间“记住”事物。相反，智能体框架（即你构建或使用的周边代码和逻辑）负责管理并向LLM提供记忆。

当智能体有记忆时，简化后的处理过程如下：

1. 用户向智能体提供新的输入。
2. 智能体从其指定的记忆存储中检索相关信息。对于短期对话记忆，这通常是近期交流的历史记录。
3. 检索到的记忆与新的用户输入结合，并格式化成一个单一的、全面的提示。
4. 这个扩展后的提示随后发送给LLM进行处理。

LLM处理这一整套信息，即当前查询加上历史上下文 (context)，来生成回复。“记忆”实际上成为LLM在该特定轮次中考虑的即时上下文的一部分。更丰富、更完整的输入上下文通常会使LLM产生更相关、更准确、更连贯的输出。如果记忆包含迄今为止解决问题的步骤历史，或用户先前的澄清，LLM可以使用这些来提供更好的持续协助，或避免重复会话中已回答过的问题。

这种记忆上下文的影响相当巧妙。LLM不仅仅是简单地查找提供记忆中的事实。它使用对话历史来理解对话流程、推断隐含意义、追踪任务当前状态，并更好地预判用户可能意图。这使得它能够生成不仅语法正确，而且逻辑合理、在正在进行的交互中上下文恰当的后续内容。当你在即将到来的实践练习中实现短期记忆时，你将会看到，即使是简单的交流历史，也能显著改善你的智能体行为的质量和实用性。