凡科建站怎么导出网页wordpress投票模板

凡科建站怎么导出网页,wordpress投票模板,wordpress页面模板获取内容,可以在网上接网站做的网址该综述由多所顶尖机构联合发布#xff0c;系统解决LLM应用中的记忆碎片化问题#xff0c;提出Token级、参数级和潜在级三种记忆形式#xff0c;以及事实、经验和工作记忆三大功能。文章深入探讨记忆的形成、演化与检索机制#xff0c;强调Agent记忆不仅存储数据…该综述由多所顶尖机构联合发布系统解决LLM应用中的记忆碎片化问题提出Token级、参数级和潜在级三种记忆形式以及事实、经验和工作记忆三大功能。文章深入探讨记忆的形成、演化与检索机制强调Agent记忆不仅存储数据更构建持续演化的认知状态为复杂Agent应用提供技术选型依据推动AI从工具向具备连续性、个性化与自我进化能力的生命体迈进。就在昨天新加坡国立大学、中国人民大学、复旦大学等多所顶尖机构联合发布了一篇AI Agent 记忆Memory综述。当前的 LLM 应用开发正面临严重的“记忆碎片化”问题我们有用于短期记忆的 KV Cache有用于知识检索的 RAG还有用于长期交互的 MemGPT 类架构但缺乏统一的理论指导。这篇综述不仅是对现有工作的盘点更是一份解决“灾难性遗忘”与“上下文溢出”的系统方案。它详细拆解了如何通过Token级、参数级和潜在Latent级三种形式来构建记忆并深入探讨了如何让记忆像生物体一样具备“自我遗忘”和“冲突修正”的能力。对于正在构建复杂Agent应用如伴侣 Bot、自主编码 Agent的读者朋友来说这篇文章直接给出了技术选型的理论依据。核心界定Agent记忆的独特版图在深入技术细节之前我们需要先达成一个共识并不是所有“存下来的东西”都叫Agent记忆。研究者在论文中非常严谨地帮我们区分了三个容易混淆的概念这有助于我们理解Agent记忆的独特性。Agent记忆 vs. LLM记忆LLM记忆通常指模型内部的技术优化例如如何优化 Transformer的KV Cache键值缓存以减少重复计算或者通过架构调整如 Mamba、RWKV让模型能处理更长的上下文窗口。这更像是计算机的“显存优化”关注的是单次推理的效率和容量。Agent记忆这是指一个智能体为了在环境中长期存在维护的一个持久的、动态演化的认知状态。它不仅是存储数据更包含了“我是谁”、“我经历过什么”、“用户的偏好是什么”这些核心认知是跨越多次交互周期的。Agent记忆 vs. RAG检索增强生成RAG通常是静态的知识外挂有Modular RAG、Graph RA、Agentic RAG三类。比如您有一个巨大的文档库比如公司手册模型去里面搜索答案。它解决的是“知识库”的问题通常用于单次任务知识库本身很少随交互而改变。Agent记忆是动态生长的。随着 Agent与您的每一次交互它的记忆库都在发生变化——它会记下新的经验修正错误的认知甚至遗忘不再重要的信息。它强调的是交互历史和经验积累。Agent记忆 vs. 上下文工程Context Engineering上下文工程是一种资源管理手段。因为模型的窗口有限我们通过各种技巧如Prompt压缩、重要性筛选把最重要的信息塞进去。Agent记忆是认知建模。它决定了哪些信息值得被保留下来成为长期记忆并在未来几天、几个月甚至几年后被调用。上下文工程是“怎么塞进去”而 Agent记忆是“该塞什么”。形式Forms记忆的物理载体与拓扑结构如果我们打开 Agent的“大脑”我们会看到什么样的存储结构研究者将记忆的形式归纳为三大类。这三种形式并不是互斥的而是像人类大脑的不同区域一样协同工作。Token级记忆Token-level Memory显性的认知符号这是目前最主流、最可解释的记忆形式。信息以离散的、可读的文本Token或数据块的形式存储在模型外部。根据组织方式的复杂程度它从简单的线性记录进化到了复杂的立体结构。一维扁平记忆Flat Memory机制记忆像是一条长长的流水账List或一堆无序的便签。为了应对无限增长的长度通常采用递归摘要Recursive Summarization即旧的对话被压缩成摘要新的对话继续追加。典型应用早期的对话机器人日志、简单的经验池Experience Pool。局限性随着记忆量的增加“大海捞针”变得极其困难且容易丢失上下文细节Lost in the Middle。二维平面记忆Planar Memory机制记忆不再是孤立的点而是通过拓扑结构建立了“关联”。最典型的形式是图Graph和树Tree。核心优势知识图谱Knowledge Graph例如Agent不仅记住了“苹果”还通过图结构记住了“苹果”是“水果”的一种且“长在树上”。像Mem0的图记忆版本就能在对话中实时构建这种实体关系。因果链条在解决复杂问题时Agent可以顺着图的边Edge进行多跳推理Multi-hop Reasoning发现那些如果不建立联系就无法察觉的隐性答案。三维层级记忆Hierarchical Memory机制这是最接近人类高级认知的形式。记忆被组织成了不同的抽象层级构成了立体的金字塔结构。运作方式底层存储着原始的、细节丰富的交互记录Raw Traces。中层对事件的摘要Event Summaries例如“周二下午开了一次关于预算的会议”。顶层高阶的洞察和规律High-level Insights例如“用户非常在意成本控制偏好保守方案”。价值这种结构如HiAgent或GraphRAG允许 Agent在宏观规划时调用顶层记忆在执行具体操作时调用底层细节极大地平衡了检索效率与信息密度。参数化记忆Parametric Memory刻在神经元里的本能这种记忆形式更隐蔽。信息不再是存储在硬盘上的文字而是直接变成了模型神经网络中的权重参数。内部参数记忆通过全量微调Fine-tuning直接修改模型权重。这就像是生物进化将知识变成了“本能”或“肌肉记忆”。但缺点也很明显更新太慢、成本太高且容易发生**灾难性遗忘Catastrophic Forgetting**学了新的忘了旧的。外部参数记忆这是现在的热门方向。我们不改动大模型本身而是给它挂载一些小的参数模块如LoRA或Adapter。这就像是给 Agent插上了不同的“技能卡”或“记忆卡”例如K-Adapter既保留了模型的通用能力又注入了特定领域的知识且支持即插即用。潜在记忆Latent Memory机器的原生语言这种记忆形式对于人类来说是不可读的但对于机器来说效率极高。它直接存储模型推理过程中的数学表示。生成式Generate利用辅助模型将长文档压缩成特殊的Gist Tokens或向量。Agent只要看到这串编码就能“脑补”出之前的上下文而不需要重新阅读几千字的原文。复用式Reuse直接存储推理时的KV Cache。这是对“思考过程”的直接快照调用时零延迟能完美复原当时的思维状态但对显存占用较大。功能FunctionsAgent记忆的核心目的搞清楚了记忆存在哪里我们再来看看 Agent到底在记什么。研究者提出了一个非常精妙的分类法将记忆的功能分为了三类分别对应了 Agent的不同能力维度。事实记忆Factual Memory“我知道什么”这是 Agent对世界的声明性知识Declarative Knowledge它解决了一致性的问题。用户事实User Factual内容用户的身份、偏好、历史行为、之前的承诺。作用连贯性防止 Agent在聊了十句之后就忘了你刚才说想买红色的衣服。个性化通过长期积累用户画像User Profile提供专属服务。例如MemGuide系统会维护用户的“意图树”即使话题跑偏也能拉回最初的目标。环境事实Environment Factual内容关于外部世界的知识。比如代码库的文档、游戏里的地图信息、工具的 API手册。作用这是 Agent行动的参考书。特别是在多智能体协作Multi-Agent中共享的环境记忆就像是一个全局黑板Global Blackboard让所有 Agent同步项目进度和环境状态避免冲突。经验记忆Experiential Memory“我学会了什么”这是区分普通Chatbot和高级Agent的关键。它对应的是人类的“程序性记忆”Procedural Knowledge是Agent实现自我进化的基石。基于案例Case-based机制Agent将过去成功或失败的完整轨迹Trajectory存下来。应用当遇到新问题时先去翻翻“老黄历”。如果以前做过类似的直接“抄作业”Replay如果以前在这个坑里跌倒过就根据失败案例进行修正。基于策略Strategy-based机制这比存案例更高级。Agent会对过去的经历进行反思Reflection提炼出抽象的规则、工作流Workflows或思维模板Thought Templates。例子Agent不仅仅记住了“上次代码报错是因为少了一个分号”而是总结出“在写 Python函数时要注意缩进和标点符号的检查”。这种元认知Meta-cognition让 Agent具备了泛化能力。基于技能Skill-based从经验到本能这是经验记忆最高级的形式它将抽象的经验固化为可执行的工具。代码片段Code Snippets像Voyager这样的 Agent在 Minecraft游戏中学会了“挖铁矿”的一系列复杂操作后会自己写一段代码封装成mine_iron()函数存入技能库。下次再需要铁矿直接调用这个函数而不需要重新思考每一步怎么走。函数与脚本Functions ScriptsAgent可以自主编写和复用 Python脚本或 Shell命令将重复性劳动自动化。API封装对于常用的外部工具调用如搜索、计算器Agent会将其用法封装成标准化的 API调用模式甚至学习如何组合多个 API来解决复杂问题如ToolLLM。MCPs (Model Context Protocol)这是一种新兴的标准旨在标准化 Agent与工具、数据之间的交互协议让记忆中的技能可以在不同的 Agent生态系统中通用。工作记忆Working Memory“我现在在想什么”这就好比是我们电脑的内存RAM或者是人类正在进行心算时的思维草稿纸。它的核心挑战在于上下文窗口是昂贵且有限的。单轮压缩Single-turn面对超长的输入比如一本书Agent需要学会输入冷缩Input Condensation利用LLMLingua等技术扔掉 80% 的冗余 Token只保留核心信息进入处理流程或者进行观测抽象Observation Abstraction将视频流转化为关键帧描述。多轮状态维护Multi-turn在长达数天的任务中Agent需要学会上下文折叠Context Folding。完成一个子任务后就将相关细节打包成一个简短的摘要存档只在工作区保留当前任务所需的信息和下一步计划Cognitive Planning从而在有限的窗口内实现无限长的任务执行。动态Dynamics记忆的生命周期记忆不是静态的数据库它是一个活的系统。研究者将其生命周期拆解为三个核心过程形成、演化、检索。记忆形成Formation沙里淘金并不是所有的交互都值得被记住。如果把每一句“你好”、“在吗”都存入长期记忆系统很快就会被垃圾信息淹没。语义摘要将长对话压缩为精炼的摘要可以采用增量式来一句压一句或分块式攒一堆再压。知识蒸馏Knowledge Distillation从对话中提取出结构化的知识三元组实体-关系-实体或者从失败的尝试中提取出“教训”和“洞察”。结构化构建不仅仅是存储而是将非结构化的文本转化为图、树或层级结构明确信息之间的关系。就像是人每天经历无数事情但晚上睡觉时大脑只会筛选出最重要的片段通过记忆巩固Consolidation存入长期记忆。记忆演化Evolution对抗熵增这是目前很多系统容易忽视的一环。记忆库如果不维护就会变得混乱、冲突、过时。整合Consolidation局部整合将语义相似的碎片记忆合并。全局集成将新的信息融入到整体的世界观或用户画像中形成更宏大的叙事。更新Updating冲突解决用户上周说“我单身”这周说“我有女朋友了”。记忆系统必须能识别这种冲突并根据时间戳或置信度来覆盖旧信息而不是让两条矛盾的记录并存。软删除有些系统采用给旧记忆打上“失效”标签的方式而不是直接物理删除以保留历史的可追溯性。遗忘Forgetting必要的遗忘为了保持检索的高效和相关性Agent必须学会遗忘。机制基于时间太久远的信息权重降低遗忘曲线。基于频率很久没被用到的知识被丢弃LFU策略。基于重要性这是最高级的。Agent能够评估某条信息未来的价值。比如“用户对花生过敏”这条信息即使一年没用到也不能忘而“用户今天中午吃了面条”可能明天就可以删了。记忆检索Retrieval不仅是搜索传统的 RAG往往是被动的用户问什么系统搜什么。但高级Agent的检索是主动的、策略性的。主动检索Timing IntentAgent应该自己判断“我现在的信息够不够回答这个问题”如果不够它会主动发起记忆检索的动作而不是等待指令。查询构造Query Construction用户的提问往往是不完整的。Agent需要将“他怎么看”重写为“Elon Musk对火星移民计划的具体观点是什么”或者通过HyDE技术生成一个假设性的答案作为查询向量这样才能在数据库中找到准确答案。检索策略结合词法检索精准匹配关键词、语义检索匹配含义和图检索匹配关系实现混合检索。后处理Post-processing搜出来的东西往往有噪声。Agent需要对检索结果进行重排序Re-ranking和过滤确保喂给大模型的上下文是纯净的。未来的 Agent记忆会是什么样在这篇综述的最后研究者们展望了几个极具潜力的发展方向。这些方向预示着 AI将从“工具”向“生命体”迈进。从“检索”到“生成” (Retrieval vs. Generation)现在的做法大多是把存好的文本原封不动地拿出来。但人类回忆时其实是在重构场景。未来的 Agent可能会采用**生成式记忆**根据当前的上下文动态生成一段最符合当前需要的记忆描述而不是死板地调取文件。这种方式能更好地融合多源信息填补信息的空缺。自动化与强化学习 (RL Meets Memory)目前的记忆规则大多是人工设计的比如“保留最近 10轮对话”。未来Agent应该通过强化学习RL自己学会如何管理记忆什么该记什么该忘什么时候该去检索 如果一次检索帮助它更好地完成了任务它就会强化这种记忆策略。这将诞生出完全超越人类设计直觉的高效记忆架构实现真正的端到端End-to-End记忆优化。迈向世界模型 (Memory for World Models)如果我们要构建能够模拟物理世界或复杂社会的Agent它的记忆就需要包含时空一致性。Agent需要记住的不仅是文本还有物体的位置、状态的变化、时间流逝的影响。这是通往具身智能Embodied AI的必经之路。可信记忆 (Trustworthy Memory)随着记忆越来越强隐私和安全问题也随之而来。隐私与遗忘权如果用户要求“忘掉我的信用卡号”系统必须能确证地从所有参数、向量库和摘要中彻底删除这条信息Machine Unlearning。抗毒化防止恶意用户通过对话向 Agent植入错误的记忆或偏见Memory Poisoning这需要建立记忆的“免疫系统”。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】