记忆是AI系统的基本组成部分，尤其是对于基于LLMs的Agents。首次将记忆表示分为三类：参数化记忆、上下文结构化记忆和上下文非结构化记忆，并介绍了六种基本的记忆操作：巩固、更新、索引、遗忘、检索和压缩。盘点了几十种记忆框架、产品、应用！

通过将这些操作系统地映射到长期记忆、长上下文记忆、参数修改和多源记忆等最相关的研究主题中，从原子操作和表示类型的视角重新审视记忆系统，为AI中与记忆相关的研究、基准数据集和工具提供了一个结构化和动态的视角。

一、记忆的分类体系

详细介绍了AI系统中记忆的分类体系，将记忆分为三种主要类型：参数化记忆（Parametric Memory）、上下文结构化记忆（Contextual Structured Memory）和上下文非结构化记忆（Contextual Unstructured Memory）。以下是该部分的内容总结：

1.1 参数化记忆

• 定义：参数化记忆是指模型内部参数中隐式存储的知识。这些知识在预训练或后训练过程中获得，并在推理时通过前馈计算访问。
• 特点：
  • 提供即时、长期且持久的记忆，能够快速检索事实和常识知识。
  • 缺乏透明性，难以根据新体验或特定任务上下文选择性地更新。
• 应用场景：适用于需要快速访问固定知识的场景，例如问答系统和常识推理任务。

1.2 上下文非结构化记忆

• 定义：上下文非结构化记忆是一种显式的、模态通用的记忆系统，用于存储和检索跨异构输入（如文本、图像、音频、视频）的信息。
• 特点：
  • 支持基于感知信号的推理，能够整合多模态上下文。
  • 根据时间范围，进一步分为短期记忆（如当前对话会话上下文）和长期记忆（如跨会话对话记录和个人持久知识）。
• 应用场景：适用于需要处理多模态输入和动态上下文的任务，例如多模态对话系统和视觉问答系统。

1.3 上下文结构化记忆

• 定义：上下文结构化记忆是指以预定义的、可解释的格式或模式（如知识图谱、关系表、本体论）组织的显式记忆，这些记忆可以根据请求进行查询。
• 特点：
  • 支持符号推理和精确查询，通常与预训练语言模型的关联能力相辅相成。
  • 可以是短期的（在推理时构建用于局部推理）或长期的（跨会话存储策划知识）。
• 应用场景：适用于需要精确知识检索和推理的任务，例如知识图谱问答和复杂事件推理任务。

二、记忆6种操作

详细介绍了AI系统中记忆操作的分类和功能。这些操作被分为两大类：记忆管理（Memory Management）和记忆利用（Memory Utilization）。

2.1 记忆管理

记忆管理涉及如何存储、维护和修剪记忆，以支持记忆在与外部环境交互过程中的有效使用。记忆管理包括以下四种核心操作：

1. Consolidation（巩固）：
   • 定义：将短期经验转化为持久记忆，例如将对话历史编码为模型参数、知识图谱或知识库。
   • 功能：支持持续学习、个性化、外部记忆库构建和知识图谱构建。
   • 应用场景：在多轮对话系统中，将对话历史整合到持久记忆中，以便在未来的对话中使用。
2. Indexing（索引）：
   • 定义：构建辅助代码（如实体、属性或基于内容的表示），以便高效检索存储的记忆。
   • 功能：支持可扩展的检索，包括符号、神经和混合记忆系统。
   • 应用场景：在大规模记忆库中，通过索引快速定位和检索相关信息。
3. Updating（更新）：
   • 定义：重新激活现有记忆表示并对其进行临时修改。
   • 功能：支持持续适应，同时保持记忆一致性。例如，通过定位和编辑机制修改模型参数，或通过总结、修剪或精炼来更新上下文记忆。
   • 应用场景：在对话系统中，根据用户反馈动态更新记忆内容。
4. Forgetting（遗忘）：
   • 定义：有选择性地抑制可能过时、无关或有害的记忆内容。
   • 功能：通过遗忘技术（如修改模型参数以擦除特定知识）或基于时间的删除和语义过滤来丢弃不再相关的内容。
   • 应用场景：在处理敏感信息时，确保隐私和安全，同时减少记忆干扰。

2.2 记忆利用

记忆利用涉及在推理过程中检索和使用存储的记忆，以支持下游任务（如响应生成、视觉定位或意图预测）。记忆利用包括以下两种操作：

1. Retrieval（检索）：
   • 定义：根据输入识别并访问相关记忆内容。
   • 功能：支持从多个来源（如多模态输入、跨会话记忆）检索信息。
   • 应用场景：在问答系统中，根据问题检索相关的知识库内容；在多轮对话中，检索与当前对话相关的上下文信息。
2. Compression（压缩）：
   • 定义：在保持关键信息的同时减少记忆大小，以便在有限的上下文窗口中高效使用。
   • 功能：通过预输入压缩（如对长上下文输入进行评分、过滤或总结）或后检索压缩（如在模型推理前对检索到的内容进行压缩）来优化上下文使用。
   • 应用场景：在处理长文本输入时，通过压缩减少计算负担，同时保留关键信息。

三、从记忆操作到系统级主题

探讨了如何将前面介绍的记忆操作（巩固、索引、更新、遗忘、检索、压缩）应用于实际的系统级研究主题。这些主题涵盖了长期记忆、长上下文记忆、参数化记忆修改和多源记忆等多个方面。

3.1 长期记忆

长期记忆是指通过与环境的交互而持久存储的信息，支持跨会话的复杂任务和个性化交互。

• 管理（Management）：
  • 巩固（Consolidation）：将短期记忆转化为长期记忆，例如通过对话历史的总结或编码。
  • 索引（Indexing）：构建记忆索引以支持高效检索，例如通过知识图谱或时间线索引。
  • 更新（Updating）：根据新信息更新长期记忆，例如通过对话历史的动态编辑。
  • 遗忘（Forgetting）：有选择性地移除过时或不相关的记忆，例如通过时间衰减或用户反馈。
• 利用（Utilization）：
  • 检索（Retrieval）：根据当前输入和上下文检索相关记忆，例如通过多跳图检索或基于事件的检索。
  • 整合（Integration）：将检索到的记忆与模型上下文结合，支持连贯的推理和决策。
  • 生成（Generation）：基于整合的记忆生成响应，例如通过多跳推理或反馈引导的生成。
• 个性化（Personalization）：
  • 模型级适应（Model-Level Adaptation）：通过微调或轻量级更新将用户偏好编码到模型参数中。
  • 记忆级增强（Memory-Level Augmentation）：在推理时从外部记忆中检索用户特定信息以增强个性化。

3.2 长上下文记忆

长上下文记忆涉及处理和利用大量的上下文信息，以支持长文本理解和生成。

• 参数化效率（Parametric Efficiency）：
  • KV缓存丢弃（KV Cache Dropping）：通过静态或动态方式丢弃不必要的KV缓存，以减少内存需求。
  • KV缓存存储优化（KV Cache Storing Optimization）：通过量化或低秩表示压缩KV缓存，以减少内存占用。
  • KV缓存选择（KV Cache Selection）：通过查询感知的方式选择性加载KV缓存，以加速推理。
• 上下文利用（Contextual Utilization）：
  • 上下文检索（Context Retrieval）：通过图结构或片段级选择方法，从大量上下文中检索关键信息。
  • 上下文压缩（Context Compression）：通过软提示压缩或硬提示压缩，减少上下文长度，提高推理效率。

3.3 参数化记忆修改

参数化记忆修改涉及对模型内部参数的动态调整，以适应新的知识或任务需求。

• 编辑（Editing）：
  • 定位-编辑方法（Locating-then-Editing）：通过归因或追踪找到存储知识的位置，然后直接修改。
  • 元学习（Meta Learning）：通过编辑网络预测目标权重变化，实现快速和稳健的修正。
  • 提示方法（Prompt-based Methods）：通过精心设计的提示间接引导输出。
  • 附加参数方法（Additional-parameter Methods）：通过添加外部参数模块调整行为，而不修改模型权重。
• 遗忘（Unlearning）：
  • 定位-遗忘方法（Locating-then-Unlearning）：找到负责特定记忆的参数，然后应用目标更新或禁用。
  • 训练目标方法（Training Objective-based Methods）：通过修改训练损失函数或优化策略，显式鼓励遗忘。
• 持续学习（Continual Learning）：
  • 正则化方法（Regularization-based Methods）：通过约束重要权重的更新，保留关键参数记忆。
  • 重放方法（Replay-based Methods）：通过重新引入过去样本强化记忆，特别适合在训练中整合检索到的外部知识。

3.4 多源记忆

多源记忆涉及整合来自不同来源（如文本、知识图谱、多模态输入）的信息，以支持更丰富的推理和决策。

• 跨文本整合（Cross-textual Integration）：
  • 推理（Reasoning）：整合多格式记忆以生成一致的响应，例如通过动态整合领域特定的参数化记忆。
  • 冲突解决（Conflict Resolution）：识别和处理来自不同记忆源的矛盾信息，例如通过信任校准和来源归因。
• 多模态协调（Multi-modal Coordination）：
  • 融合（Fusion）：对齐跨模态信息，例如通过统一语义投影或长期跨模态记忆整合。
  • 检索（Retrieval）：跨模态检索存储的知识，例如通过基于嵌入的相似性计算。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！

大模型全套学习资料领取

这里我整理了一份AI大模型入门到进阶全套学习包，包含学习路线+实战案例+视频+书籍PDF+面试题+DeepSeek部署包和技巧，需要的小伙伴文在下方免费领取哦，真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

部分资料展示

一、 AI大模型学习路线图

整个学习分为7个阶段

二、AI大模型实战案例

涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，皆可用。

三、视频和书籍PDF合集

从入门到进阶这里都有，跟着老师学习事半功倍。

四、LLM面试题

五、AI产品经理面试题

六、deepseek部署包+技巧大全

😝朋友们如果有需要的话，可以V扫描下方二维码联系领取~