嘿，大家好！这里是一个专注于AI智能体的频道~
今天给家人们分享一个有意思的分享。在今年3月份人工智能大会上，langchain的创始人Harrison Chase分享了一个关于Agent的演讲，其中提到了目前智能体的三大局限：规划、用户体验和记忆。
经过大半年的探索，记忆这块，langchain家族做了哪些深入的发展呢？
对于一个系统而言，用户是非常希望他具备记忆能力的，也可能是目前的各种系统本身已经非常人性化了。然后！系统本身并不具备内在的记忆功能，因此你需要有意识地添加记忆的能力。但要如何做到这一点呢？
记忆具有应用特异性 - 记忆是特定应用程序相关的。智能体的一个关键是用户体验。不同的用户体验提供了独特的方法来收集和更新相应的反馈记忆。比如说pycharm的智能体，可能会优先记住用户喜欢哪些python库；unify会记住用户正在研究的行业和领域。
先来看记忆的类型，在CoALA中划分为3类。
过程性记忆：这个指的是长期记忆，系统如何执行任务的指令集，类似于大脑的核心指令集。比如说一个小孩学会骑自行车。CoALA 论文将过程性记忆描述为权重和代码的集合，在实践中，几乎没有系统能去自动化修改这种记忆。
语义记忆：对于人类来说，它由学校学习到的各种事实信息、概念含义以及关联方式等组成。在实践中，一般它是通过利用某种LLM从对话或agent的互动中提取信息来完成。这种信息通常是特定应用场景的，在以后的类似的场景中，检索这些信息并将其插入系统提示词中，以影响agent的回应。
情景记忆：类比人，回想起过去经历的特定事件或场景。在实践中，情景记忆通常通过few shot提示来实现。如果您收集了足够多的这些样例，那么可以通过dynamic few-shot来完成。这对于指导agent如何以正确的方式执行之前已经执行过的特定操作通常非常有用。相比之下，如果事情不一定有正确的方法，或者如果agent不断在做新事情以至于之前的例子没有太大帮助，语义记忆则更为相关。
如何更新记忆？
更新记忆的一种方式是“ in the hot path” 热更新。这是系统明确决定在回复响应之前，记住某个事实，ChatGPT 就是采用这种方式。
另一种方式是“in the background” 后台更新。在这种情况下，一个后台进程会在对话期间或对话结束后运行以更新记忆。
比较这两种方法，热更新的方法有一个缺点，即在提供任何响应之前引入了一些额外的延迟。它还要求将记忆逻辑与agent逻辑结合起来。
后台更新可以避免这些问题，不会产生额外的延迟，记忆逻辑也能保持独立。但在后台运行也有其自身的缺点：记忆无法立即更新，需要额外的逻辑来确定何时启动后台进程。
更新记忆的另一种方式涉及用户反馈，这与情景记忆特别相关。例如，如果用户将一次互动标记为积极的，那么可以将该反馈保存下来以供将来回忆。
持续在进步的langchain家族！考虑到记忆对智能系统的实用性有很大影响，因此langchain中也在疯狂尝试，已经构建出了许多的功能，如：
- LangGraph 中用于记忆存储的低级抽象，使用户可以完全掌控agent的记忆 ：https://blog.langchain.dev/memory-for-agents/
- LangGraph 中用于在热更和后台更新，运行记忆的模板示例：https://github.com/langchain-ai/memory-template
-
LangSmith 中用于快速迭代的动态少样本示例选择：https://blog.langchain.dev/dynamic-few-shot-examples-langsmith-datasets/
最后。刘聪老师的新书中讲到了一些Agent的应用落地实战，感兴趣的家人们可以瞅一瞅噢~
好了，这就是我今天想分享的内容。如果你对构建AI智能体感兴趣，别忘了点赞、关注噢~
粤ICP备14082021号
免费POC，
零成本试错
