播面

在AI Agent的架构中，语义记忆（Semantic Memory）和情景记忆（Episodic Memory）是长期记忆（Long-term Memory）的两个核心基石。这两个概念借鉴自人类的认知心理学。

要构建一个既能“记住你说过什么”，又能“懂你这个人”的高级Agent，必须明确区分并分别实现这两种记忆。以下是详细的区分与实现指南。

一、 如何区分（概念与特征）

简单来说：情景记忆是“日记”，语义记忆是“百科全书与人物档案”。

1. 情景记忆 (Episodic Memory)

• 定义：对特定时间、地点发生的具体事件或经历的记忆。
• 在Agent中的表现：历史对话记录、过去的特定操作日志、交互序列。
• 人类例子：“我记得上周三你在咖啡馆帮我修好了电脑。”
• Agent例子：“昨天的对话中，用户让我帮他写了一段Python的爬虫代码。”
• 数据特征：时序性强、包含上下文（时间/地点/情绪）、数据量大且冗余、只增不改（Append-only）。

2. 语义记忆 (Semantic Memory)

• 定义：对事实、概念、规则和世界知识的记忆，脱离了具体发生的时间和情景。
• 在Agent中的表现：用户画像（偏好、职业）、外部知识库、经过提炼的客观事实。
• 人类例子：“我知道巴黎是法国的首都。”（你可能忘了是哪天学到的，但你知道这个事实）。
• Agent例子：“用户是一名Python程序员，喜欢深色模式，对数据分析感兴趣。”
• 数据特征：结构化或半结构化、高度精炼、无严格时间戳依赖、需要不断更新/覆盖/去重（Update & Deduplicate）。

3. 核心对比表

二、 如何实现情景记忆 (Episodic Memory)

情景记忆的实现相对直接，主流方案是向量数据库 + 带有元数据的文本块。

1. 数据结构设计

每条记忆需要包含原始文本和丰富的上下文元数据（Metadata）：

{
  "id": "msg_001",
  "session_id": "session_998",
  "timestamp": "2023-10-25T14:30:00Z",
  "role": "user",
  "content": "帮我定一张明天去北京的高铁票",
  "embedding": "[0.012, -0.045, ...]" // 向量化表示
}

2. 存储与检索策略

• 存储：使用 Chroma, Pinecone, Milvus 等向量数据库。
• 检索（Retrieval）：
  • Top-K 相似度检索：当用户问“我昨天让你定的票怎么样了”，Agent将此查询向量化，寻找最相关的历史对话。
  • 时间衰减（Time Decay）：在计算相似度得分时，加入时间惩罚因子。越久远的对话，权重越低。
  • 元数据过滤（Metadata Filtering）：结合时间范围过滤（如 timestamp > '2023-10-24'）。

3. 实现伪代码（Python + LangChain 概念）

from vector_db import VectorStore
from embedding_model import get_embedding

class EpisodicMemory:
    def __init__(self):
        self.db = VectorStore()
        
    def add_memory(self, session_id, role, text):
        vector = get_embedding(text)
        metadata = {
            "session_id": session_id,
            "timestamp": get_current_time(),
            "role": role
        }
        self.db.insert(vector=vector, text=text, metadata=metadata)
        
    def retrieve(self, query, top_k=5):
        query_vector = get_embedding(query)
        # 向量相似度搜索 + 时间衰减排序
        results = self.db.search(query_vector, top_k=top_k, apply_time_decay=True)
        return results

三、 如何实现语义记忆 (Semantic Memory)

语义记忆的实现更加复杂，因为它需要信息抽取和冲突解决。主流方案是知识图谱（Knowledge Graph）或结构化的用户画像数据库。

1. 数据结构设计

通常以“三元组（实体-关系-实体）”或“Key-Value实体属性”形式存在：

• 用户画像 (User Profile)：{"user_name": "Alice", "profession": "Engineer", "diet": "Vegan"}
• 知识图谱 (Graph)：(Alice) -[LIVES_IN]-> (Beijing)

2. 更新机制 (Memory Consolidation)

语义记忆不能直接追加，必须通过 LLM 进行提取和整合。

• 触发时机：可以在每轮对话后异步执行，或者当情景记忆积累到一定量时批量执行。
• 提取 (Extraction)：让 LLM 从对话中提取事实（如：“用户刚说他搬到了上海”）。
• 合并/冲突解决 (Conflict Resolution)：如果之前的记忆是(Alice)-[LIVES_IN]->(Beijing)，Agent需要使用LLM判断并更新为(Alice)-[LIVES_IN]->(Shanghai)。

3. 存储与检索策略

• 存储：Neo4j (图数据库), PostgreSQL (结构化属性), 或带有特定命名空间的向量数据库 (结合 GraphRAG)。
• 检索：
  • 实体识别（NER）：从当前用户查询中识别出实体（如“上海”）。
  • 图查询/SQL：直接查询该实体的相关属性。

4. 实现伪代码

class SemanticMemory:
    def __init__(self):
        self.knowledge_graph = GraphDatabase()
        self.llm = LLM()
        
    def update_memory(self, latest_dialogue):
        # 1. 使用LLM从对话中提取事实
        prompt = f"从以下对话中提取关于用户的永久性事实，格式为JSON：{latest_dialogue}"
        new_facts = self.llm.generate(prompt) # e.g., {"location": "Shanghai"}
        
        # 2. 解决冲突并更新知识库 (Upsert)
        for fact_key, fact_value in new_facts.items():
            self.knowledge_graph.upsert_user_property(fact_key, fact_value)
            
    def retrieve(self, query):
        # 提取query中的实体并查询图谱
        entities = self.llm.extract_entities(query)
        facts = self.knowledge_graph.get_subgraph(entities)
        return facts

四、 架构整合：两种记忆如何协同工作？

在顶级的 AI Agent 架构（如 MemGPT 或 斯坦福的 Generative Agents）中，这两种记忆是协同运作的。

典型的工作流（Workflow）：

1. 用户输入：“我下周要去滑雪，我该带什么？”
2. 记忆检索阶段：
   • 检索语义记忆：Agent发现“用户居住在南方”、“用户是初学者”、“用户怕冷”（精准事实）。
   • 检索情景记忆：Agent发现“上个月用户提到买了一件蓝色的防风夹克”（具体事件）。
3. Prompt 组装：
   将检索到的语义信息和情景信息放入 System Prompt。
4. LLM 生成回复：
   “考虑到你是滑雪初学者而且比较怕冷（语义），建议你多带几件保暖内衣。对了，你可以带上你上个月买的那件蓝色防风夹克（情景），它很适合滑雪。”
5. 记忆巩固阶段（后台异步）：
   将这次对话存入情景记忆（追加日志）。同时，启动后台线程，让 LLM 总结这次对话，提取出“用户下周去滑雪”存入语义记忆（更新状态）。

总结建议

• 如果是 MVP（最小可行性产品）：先只做基于向量数据库的情景记忆，通过滑动窗口+向量检索即可满足 80% 的日常对话需求。
• 如果要做高级个性化助手（如个人AI伴侣、专属导师）：必须引入语义记忆。建议引入 GraphRAG 技术或专门的用户画像系统，让 Agent 具备真正的“心智模型（Theory of Mind）”，能够记住并理解用户的本质特征，而不是仅仅复读过去的对话。