1. 背景与核心概念AI Agent的上下文困境与共享记忆的曙光在AI Agent智能体的开发与应用中一个长期困扰开发者的核心瓶颈正日益凸显上下文窗口的限制。无论是构建一个能处理复杂任务的个人助手还是开发一个能长期与用户交互的虚拟角色AI模型有限的“记忆”能力都成了天花板。想象一下你正在与一个AI助手协作一个长达数周的项目每次对话它都像得了“健忘症”需要你反复复述之前的决策、代码片段和项目背景。这不仅效率低下也严重阻碍了AI Agent向更复杂、更自主方向的发展。这个问题的根源在于当前大语言模型LLM的上下文窗口Context Window机制。你可以把它理解为一个固定大小的“工作内存”或“短期记忆区”。模型在处理你的输入Prompt和生成输出时只能“看到”并理解这个窗口内的文本。一旦对话轮次增多、信息量增大超出窗口容量的旧信息就会被“遗忘”。虽然模型可以通过技术手段如滑动窗口、总结压缩来延长有效上下文但这往往伴随着信息丢失、成本剧增和性能下降。“共享记忆Shared Memory”正是在此背景下应运而生的关键技术理念。它不再将记忆视为单个对话会话的私有、易失性数据而是将其外化为一个可持久化、可被多个AI Agent或同一Agent在不同会话中共同访问和更新的知识库。这类似于为AI Agent配备了一个外接的“硬盘”或“团队共享知识库”使其能够突破单次对话的上下文限制实现长期、连贯的“思考”与协作。而Lindy正是这一理念的一个前沿探索与实践。它并非一个单一的库或框架而是一个集成了共享记忆等核心组件的AI Agent开发平台或运行时环境。Lindy旨在解决AI应用开发中的工程化难题其核心价值之一就是通过架构设计让开发者能够便捷地为Agent构建和管理共享记忆从而创造出真正具备“长期记忆”和“团队协作”能力的智能应用。简单来说如果你正在开发需要处理长文档、进行多轮复杂决策、或模拟长期角色互动的AI应用那么理解并运用共享记忆技术将是突破现有能力边界的关键。本文将深入拆解这一概念并通过一个模拟的实战案例展示如何为AI Agent构建一个基础的共享记忆系统。2. 环境准备与版本说明在开始动手实践之前我们需要明确开发环境。由于“共享记忆”是一个架构理念其实现方式多样可以基于向量数据库、图数据库或传统关系型数据库。为了最直观地演示其核心原理我们将采用一个轻量级的技术栈避免复杂的云服务依赖确保所有开发者都能在本地快速复现。核心环境与工具编程语言Python 3.8。Python拥有最丰富的AI和数据生态是我们的首选。大语言模型接入我们将使用OpenAI的GPT系列模型作为“大脑”。你需要准备一个有效的OpenAI API Key。记忆存储使用Chroma一个开源且易用的向量数据库。它非常适合存储和检索文本的嵌入向量是实现语义化记忆检索的核心。开发框架使用LangChain。它是一个用于开发由LLM驱动的应用程序的框架提供了构建Agent、链Chain以及连接各种工具如向量库的标准接口能极大简化开发流程。辅助工具pip包管理器以及一个你喜欢的代码编辑器或IDE如VSCode、PyCharm。版本说明与依赖安装以下版本在撰写本文时经过测试但AI领域迭代迅速建议读者根据实际情况调整核心在于理解配置思路。打开终端创建一个新的虚拟环境并安装依赖# 创建并激活虚拟环境可选但推荐 python -m venv lindy_memory_env source lindy_memory_env/bin/activate # Linux/macOS # lindy_memory_env\Scripts\activate # Windows # 安装核心依赖 pip install langchain langchain-openai chromadb tiktokenlangchain: 主框架。langchain-openai: LangChain的OpenAI官方集成包。chromadb: 向量数据库。tiktoken: OpenAI用于计算Token数量的工具有助于我们管理上下文长度。项目结构预览在开始编码前我们先规划一个清晰的项目结构ai_agent_with_memory/ ├── memory_core.py # 共享记忆的核心类定义 ├── agent_brain.py # Agent的“大脑”逻辑负责决策和调用工具 ├── tools.py # 定义Agent可以使用的工具如读写记忆 ├── main.py # 主程序入口模拟多轮对话 ├── requirements.txt # 项目依赖列表 └── chroma_db/ # Chroma数据库的持久化存储目录自动生成接下来我们将从零开始一步步构建这个系统。3. 核心原理拆解记忆的存储、检索与更新在构建系统之前我们必须从原理上理解共享记忆是如何工作的。整个过程可以抽象为三个核心环节编码存储、语义检索、动态更新。3.1 编码存储从文本到向量AI模型直接“理解”的是数字。因此我们需要将一段文本记忆例如“用户张三喜欢蓝色他的项目截止日期是下周五”转换为模型能够处理的格式。这里我们使用文本嵌入Text Embedding技术。嵌入模型一个专门的模型如OpenAI的text-embedding-ada-002它将任意长度文本转换为一个固定长度的、高维度的向量一组数字。向量的意义这个向量包含了文本的语义信息。语义相近的文本如“我喜欢苹果”和“我爱吃水果”其向量在空间中的距离也会很近。存储我们将这段文本称为“文档”或“记忆片段”及其对应的向量一并存入向量数据库如Chroma。同时我们还会存储一些元数据比如这段记忆的来源哪个用户、哪个会话、时间戳、类型等便于后续管理。3.2 语义检索找到相关记忆当Agent需要“回忆”时例如用户问“张三的项目进度如何”它不会去逐条扫描所有记忆。那样效率太低。查询编码首先将当前的问题或对话上下文“张三的项目进度如何”同样通过嵌入模型转换为一个查询向量。向量相似度搜索在向量数据库中寻找与“查询向量”最相似的若干个“记忆向量”。这通常是计算余弦相似度或欧氏距离。数据库会高效地返回最相关的几条记忆。返回文本将这些最相关记忆的原始文本内容提取出来作为“上下文”提供给大语言模型LLM。这样LLM在回答问题时就能“看到”这些相关的历史信息仿佛它拥有长期记忆一样。3.3 动态更新记忆的积累与演化记忆不是一成不变的。共享记忆系统需要支持新增将新的对话内容、执行结果作为记忆存储。更新当信息发生变化时如项目截止日期推迟需要能定位并更新原有记忆或新增一条带有冲突说明的记忆。总结与压缩为了避免记忆无限膨胀系统需要定期对旧记忆进行总结将多条细节记忆合并为一条概括性记忆释放存储空间同时保留核心信息。这是解决“上下文过长”问题的关键策略之一。理解了这些原理我们就可以开始用代码将它们实现出来。4. 完整实战案例构建一个具备共享记忆的AI项目助手让我们通过一个具体场景来实践构建一个“AI项目助手”它能记住与不同用户的对话内容、项目需求并在后续交互中引用这些信息实现连贯的协作。4.1 创建项目结构与配置首先创建项目目录和文件。然后在memory_core.py中我们构建记忆系统的基石。# memory_core.py import chromadb from chromadb.config import Settings from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.schema import Document from datetime import datetime import uuid import os class SharedMemoryCore: 共享记忆核心类。 职责管理向量数据库连接提供记忆的存储、检索和基础管理功能。 def __init__(self, persist_directory./chroma_db, collection_nameagent_memory): 初始化记忆核心。 :param persist_directory: 向量数据库持久化目录 :param collection_name: 记忆集合的名称可用于区分不同Agent或不同用途的记忆 self.persist_directory persist_directory self.collection_name collection_name # 初始化嵌入模型用于将文本转换为向量 # 注意这里需要你的OPENAI_API_KEY环境变量 self.embedding_function OpenAIEmbeddings(modeltext-embedding-ada-002) # 初始化或加载Chroma向量数据库 # 设置allow_resetTrue仅供开发调试生产环境应谨慎 self.client_settings Settings( chroma_db_implduckdbparquet, persist_directorypersist_directory, anonymized_telemetryFalse # 禁用匿名数据收集 ) self.vectordb Chroma( collection_namecollection_name, embedding_functionself.embedding_function, client_settingsself.client_settings, persist_directorypersist_directory, ) # 确保持久化 self.vectordb.persist() print(f[记忆核心] 初始化完成记忆库位于: {os.path.abspath(persist_directory)}) def store_memory(self, content: str, metadata: dict None): 存储一段记忆。 :param content: 记忆的文本内容 :param metadata: 记忆的元数据如 source, timestamp, type等 if metadata is None: metadata {} # 确保有唯一ID和时间戳 doc_id str(uuid.uuid4()) metadata.update({ timestamp: datetime.now().isoformat(), id: doc_id }) # 创建LangChain Document对象 doc Document(page_contentcontent, metadatametadata) # 添加到向量数据库 self.vectordb.add_documents([doc]) self.vectordb.persist() print(f[记忆核心] 已存储记忆: {content[:50]}...) return doc_id def search_memories(self, query: str, k: int 4): 检索与查询最相关的k条记忆。 :param query: 查询文本 :param k: 返回最相关的记忆条数 :return: 相关记忆的列表包含内容和元数据 docs self.vectordb.similarity_search_with_score(query, kk) memories [] for doc, score in docs: memories.append({ content: doc.page_content, metadata: doc.metadata, relevance_score: score # 注意Chroma返回的score是距离越小越相关 }) print(f[记忆核心] 针对查询 ‘{query}‘检索到{len(memories)}条相关记忆。) return memories def get_all_memories(self, limit: int 20): 获取最近的N条记忆按元数据中的时间戳简易实现。 # 注意Chroma原生不支持按元数据排序。生产环境需更复杂的查询或使用其他数据库。 # 此处为演示仅获取部分记忆。 # 实际项目中可能需要维护一个独立的索引来管理记忆的顺序和生命周期。 collection self.vectordb._collection results collection.get(limitlimit) memories [] for i in range(len(results[ids])): memories.append({ id: results[ids][i], content: results[documents][i], metadata: results[metadatas][i] }) return memories4.2 定义Agent的工具读写记忆接下来在tools.py中我们定义Agent可以调用的“工具”。工具是LangChain中Agent与环境交互的手段。# tools.py from memory_core import SharedMemoryCore from datetime import datetime from typing import Type from pydantic import BaseModel, Field # 初始化共享记忆核心全局单例模拟共享 # 在实际多进程/分布式环境中这里应该是连接到一个共享的数据库服务 memory_core SharedMemoryCore() # --- 工具1存储记忆 --- class StoreMemoryInput(BaseModel): 存储记忆工具的输入参数模式。 content: str Field(description需要存储的记忆内容应清晰、简洁、包含关键事实。) memory_type: str Field(defaultfact, description记忆类型如 ‘fact‘, ‘preference‘, ‘task‘, ‘decision‘。) source: str Field(defaultconversation, description记忆来源如 ‘user:alice‘, ‘system‘, ‘agent_action‘。) def store_memory(content: str, memory_type: str fact, source: str conversation): 工具函数将一段信息存储到共享记忆中。 metadata { type: memory_type, source: source, stored_at: datetime.now().strftime(%Y-%m-%d %H:%M:%S) } doc_id memory_core.store_memory(content, metadata) return f成功将记忆存储到共享库ID: {doc_id}。内容摘要: {content[:60]}... # --- 工具2检索记忆 --- class SearchMemoryInput(BaseModel): 检索记忆工具的输入参数模式。 query: str Field(description用于检索记忆的查询语句描述你想回忆什么。) k: int Field(default3, description返回最相关的记忆条数。) def search_memory(query: str, k: int 3): 工具函数从共享记忆中检索与查询相关的信息。 memories memory_core.search_memories(query, kk) if not memories: return 在共享记忆库中未找到相关信息。 result_text 检索到以下相关记忆\n for i, mem in enumerate(memories): result_text f{i1}. [来源:{mem[metadata].get(source, N/A)}] {mem[content]} (相关性距离: {mem[relevance_score]:.3f})\n return result_text # 将工具函数和其输入模式封装供Agent使用 # 在LangChain中这通常通过 Tool 类或 tool 装饰器完成这里为清晰起见先定义函数。4.3 构建Agent大脑决策与工具调用在agent_brain.py中我们创建Agent的“大脑”它利用LLM进行思考决定何时以及如何调用我们定义的工具。# agent_brain.py from langchain.agents import initialize_agent, AgentType from langchain.agents import Tool from langchain_openai import ChatOpenAI from tools import store_memory, search_memory, StoreMemoryInput, SearchMemoryInput import os # 设置OpenAI API Key (更安全的方式是从环境变量读取) os.environ[OPENAI_API_KEY] 你的-OpenAI-API-Key # 请务必替换成你的真实Key class AgentBrain: Agent大脑负责理解用户意图决策并调用工具。 def __init__(self): # 1. 初始化大语言模型 # 使用gpt-3.5-turbo以控制成本对于复杂任务可升级为gpt-4 self.llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.1) # temperature调低使输出更稳定、确定性更高 # 2. 封装工具 self.tools [ Tool( nameSearchMemory, funcsearch_memory, description当你需要回忆与当前对话相关的历史信息、用户偏好、项目细节或之前做过的决定时使用此工具。 输入应是一个描述你想查找什么信息的查询语句。, args_schemaSearchMemoryInput ), Tool( nameStoreMemory, funcstore_memory, description当你获得重要的、需要在未来记住的信息时使用此工具。 例如用户的明确偏好、项目需求、达成的共识、重要的任务细节等。 输入应包括清晰的内容和可选的类型、来源。, args_schemaStoreMemoryInput ), ] # 3. 初始化Agent # 使用ZERO_SHOT_REACT_DESCRIPTION这是一个通用的、基于ReAct框架的Agent类型 self.agent initialize_agent( toolsself.tools, llmself.llm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue, # 开启详细日志可以看到Agent的“思考过程” handle_parsing_errorsTrue, # 更好地处理解析错误 max_iterations5, # 限制最大迭代次数防止死循环 early_stopping_methodgenerate # 提前停止策略 ) def chat(self, user_input: str): 处理用户输入返回Agent的响应。 try: response self.agent.run(user_input) return response except Exception as e: # 处理可能出现的错误如工具调用失败、网络问题等 return f抱歉处理你的请求时出现了问题: {str(e)}。请重试或简化你的问题。4.4 运行与验证模拟多轮对话最后在main.py中我们创建一个模拟多轮对话的场景来验证共享记忆是否生效。# main.py from agent_brain import AgentBrain import time def simulate_conversation(): print( AI项目助手带共享记忆模拟对话开始 \n) brain AgentBrain() # 第一轮对话用户提供信息 print(【用户】: 你好我是项目负责人Alice。我们正在开发‘智能日历’项目核心需求是能自动从邮件中提取会议时间并同步。) response1 brain.chat(你好我是项目负责人Alice。我们正在开发‘智能日历’项目核心需求是能自动从邮件中提取会议时间并同步。) print(f【助手】: {response1}\n) time.sleep(1) # 模拟间隔 # 我们希望Agent此时能主动存储这条关键信息。 # 注意由于我们使用的是Zero-Shot Agent它可能不会在初次问候时就存储记忆。 # 更成熟的实现需要更精细的提示工程或规则触发。 # 为了演示我们假设第一轮后Agent存储了记忆。 # 在实际运行中你可以观察Verbose日志看Agent是否调用了StoreMemory。 # 第二轮对话几天后另一个用户或同一用户询问项目 print(【用户】: 嘿我之前没参与。能告诉我‘智能日历’项目的主要目标是啥吗) response2 brain.chat(嘿我之前没参与。能告诉我‘智能日历’项目的主要目标是啥吗) print(f【助手】: {response2}\n) # 期望助手应能调用SearchMemory工具找到Alice之前存储的信息并回答出来。 time.sleep(1) # 第三轮对话用户提供更多细节 print(【用户】: 对了Alice还提到我们优先集成Outlook和Gmail。) response3 brain.chat(对了Alice还提到我们优先集成Outlook和Gmail。) print(f【助手】: {response3}\n) time.sleep(1) # 第四轮对话再次询问细节 print(【用户】: 所以我们项目要集成哪些邮箱服务来着) response4 brain.chat(所以我们项目要集成哪些邮箱服务来着) print(f【助手】: {response4}\n) # 期望助手应能结合第二轮和第三轮的信息给出完整答案。 print( 模拟对话结束 ) if __name__ __main__: simulate_conversation()4.5 结果说明与观察运行python main.py。由于我们设置了verboseTrue你将在控制台看到类似以下的详细推理过程格式已简化 Entering new AgentExecutor chain... 用户能告诉我‘智能日历’项目的主要目标是啥吗 我需要回忆一下这个项目的信息。我应该使用SearchMemory工具。 行动SearchMemory 行动输入智能日历项目的主要目标 观察检索到以下相关记忆 1. [来源:conversation] 我们正在开发‘智能日历’项目核心需求是能自动从邮件中提取会议时间并同步。 (相关性距离: 0.152) 思考我找到了相关记忆。现在我可以回答用户了。 最终答案根据项目记录‘智能日历’项目的主要目标是开发一个能自动从邮件中提取会议时间并进行日历同步的应用。 Finished chain. 【助手】: 根据项目记录‘智能日历’项目的主要目标是开发一个能自动从邮件中提取会议时间并进行日历同步的应用。关键观察点记忆检索当被问及项目目标时Agent自动调用了SearchMemory工具并成功找到了之前存储的记忆。上下文突破助手在回答时并没有依赖当前对话的上下文窗口包含之前的所有对话历史。它通过查询外部共享记忆库获得了所需信息。信息聚合在后续关于“集成哪些邮箱服务”的对话中一个设计良好的Agent能够将“核心需求”和“优先集成Outlook和Gmail”这两条分散的记忆关联起来给出综合答案。这个简单的例子验证了共享记忆的基本工作流程。Agent通过工具与一个持久化的、可检索的知识库交互从而突破了单次对话的上下文限制。5. 常见问题与排查思路在实际开发中你可能会遇到以下典型问题问题现象可能原因排查思路与解决方案Agent不调用记忆工具1. 工具描述不清晰。2. LLM的Prompt未引导其使用记忆。3. 用户问题未触发记忆需求。1.优化工具描述在description中明确使用场景如“当问题涉及历史信息、用户偏好或项目细节时使用”。2.改进系统提示在初始化Agent时通过agent_kwargs传入自定义的系统消息明确指示Agent“你拥有一个共享记忆库在回答前可先查询”。3.设计触发规则在agent_brain.chat()中预处理用户输入若检测到关键词如“记得”、“之前”、“项目”可主动在Prompt中提示Agent去查询记忆。检索结果不相关1. 嵌入模型不适合领域。2. 记忆存储的文本过于冗长或模糊。3. 查询语句表述不佳。1.评估嵌入模型对于专业领域如医学、法律可尝试微调嵌入模型或使用领域专用模型。2.优化记忆内容在存储前对文本进行清洗、总结或结构化确保是清晰的事实颗粒。例如存储“用户偏好蓝色”而非一整段闲聊。3.优化查询尝试用更关键的名词短语进行检索或使用查询扩展技术。记忆库膨胀检索变慢记忆条目过多未经管理。1.设置记忆TTL为记忆添加时间戳和过期策略定期清理过于陈旧的记忆。2.实施记忆总结定期对同一主题的多个细粒度记忆进行总结生成一条概括性记忆并归档或删除原始记忆。3.分库分集合根据记忆类型、用户、项目等维度使用不同的Chroma集合进行存储缩小每次检索的范围。ChromaDB连接或持久化错误1. 目录权限问题。2. 并发写入冲突。3. 版本不兼容。1.检查路径权限确保程序对persist_directory有读写权限。2.避免多进程直接写在生产环境中应将ChromaDB作为独立服务运行客户端通过HTTP/GRPC连接避免文件锁冲突。3.锁定依赖版本在requirements.txt中固定chromadb和langchain的版本。OpenAI API调用失败1. API Key错误或过期。2. 额度不足。3. 网络问题。1.验证API Key在环境变量或配置文件中设置正确的OPENAI_API_KEY。2.监控用量在OpenAI后台检查额度和使用情况。3.添加重试与降级在代码中添加请求重试逻辑或准备备用模型/方案。6. 最佳实践与工程建议将共享记忆从Demo推向生产级应用需要考虑更多工程和架构问题。6.1 记忆的粒度与结构化细粒度存储不要存储大段对话记录。应将对话分解为独立的、有意义的“记忆原子”。例如“用户Alice是项目负责人”、“项目X的核心需求是Y”、“技术选型定为Z”。这能提高检索精度。丰富元数据为每条记忆附加丰富的元数据如entity实体用户、项目、relation关系拥有、偏好、confidence置信度、access_count访问次数。这为高级检索和记忆生命周期管理奠定了基础。支持结构化查询除了向量相似度检索未来可结合图数据库如Neo4j来存储实体和关系支持“找出所有Alice负责的项目”这类精确查询。6.2 记忆的生命周期管理重要性评分根据记忆的来源用户明确声明 vs. AI推断、访问频率、关联性等动态计算记忆的重要性分数。低分记忆可被优先压缩或归档。定期总结与压缩这是解决上下文长度限制的核心。可以设置一个后台任务定期对某一主题下的多条记忆调用LLM进行总结生成一条新的、更精炼的记忆并替换或关联旧记忆。遗忘机制并非所有信息都需要永久记住。实现基于时间、相关性或重要性的自动遗忘策略保持记忆库的健康和高效。6.3 多Agent与并发安全记忆同步当多个Agent同时读写记忆时需要处理并发冲突。可采用乐观锁、版本号或通过消息队列将记忆更新操作序列化。权限与隔离不同用户、不同团队的记忆可能需要隔离。可以通过在元数据中添加tenant_id、user_id并在检索时增加过滤条件来实现。Chroma支持按元数据过滤查询。冲突解决当两个Agent对同一事实存储了冲突的记忆时如“截止日期是周一” vs “截止日期是周二”系统需要能检测并解决冲突。可以引入时间戳、来源可信度权重或触发一个协调流程。6.4 性能与可观测性检索优化对于海量记忆单纯的向量检索可能变慢。可以引入分层索引或混合检索先通过关键词/元数据过滤再进行向量检索。监控与日志详细记录记忆的存储、检索、更新和删除操作。监控记忆库的大小、检索延迟、命中率等指标这对于调试和优化至关重要。测试与评估构建测试集评估记忆系统在真实场景下的表现例如“给定一段新对话系统能否召回所有相关记忆”。6.5 提示工程与Agent设计明确的记忆指令在给Agent的系统提示System Prompt中清晰地定义记忆工具的作用并给出使用示例。例如“你有一个共享记忆库。在回答关于过去信息的问题前你应该先尝试搜索记忆库。”自主记忆存储不要让用户显式命令“记住这个”。Agent应能自主判断一段信息是否值得存储。这可以通过在每次LLM响应后添加一个“判断是否需要存储”的后续思考链来实现。记忆的引用当Agent根据记忆回答时应注明信息来源如“根据之前的记录...”这能增加可信度和可解释性。共享记忆是构建强大、持久化AI Agent的基石。通过将本次实战中的核心组件——记忆存储、语义检索、工具化调用——与上述最佳实践结合你可以设计出适应复杂业务场景的智能系统。从简单的项目助手出发这套模式可以扩展到客服机器人、个性化学习伴侣、游戏NPC乃至数字员工等广泛领域。
1. 背景与核心概念AI Agent的上下文困境与共享记忆的曙光在AI Agent智能体的开发与应用中一个长期困扰开发者的核心瓶颈正日益凸显上下文窗口的限制。无论是构建一个能处理复杂任务的个人助手还是开发一个能长期与用户交互的虚拟角色AI模型有限的“记忆”能力都成了天花板。想象一下你正在与一个AI助手协作一个长达数周的项目每次对话它都像得了“健忘症”需要你反复复述之前的决策、代码片段和项目背景。这不仅效率低下也严重阻碍了AI Agent向更复杂、更自主方向的发展。这个问题的根源在于当前大语言模型LLM的上下文窗口Context Window机制。你可以把它理解为一个固定大小的“工作内存”或“短期记忆区”。模型在处理你的输入Prompt和生成输出时只能“看到”并理解这个窗口内的文本。一旦对话轮次增多、信息量增大超出窗口容量的旧信息就会被“遗忘”。虽然模型可以通过技术手段如滑动窗口、总结压缩来延长有效上下文但这往往伴随着信息丢失、成本剧增和性能下降。“共享记忆Shared Memory”正是在此背景下应运而生的关键技术理念。它不再将记忆视为单个对话会话的私有、易失性数据而是将其外化为一个可持久化、可被多个AI Agent或同一Agent在不同会话中共同访问和更新的知识库。这类似于为AI Agent配备了一个外接的“硬盘”或“团队共享知识库”使其能够突破单次对话的上下文限制实现长期、连贯的“思考”与协作。而Lindy正是这一理念的一个前沿探索与实践。它并非一个单一的库或框架而是一个集成了共享记忆等核心组件的AI Agent开发平台或运行时环境。Lindy旨在解决AI应用开发中的工程化难题其核心价值之一就是通过架构设计让开发者能够便捷地为Agent构建和管理共享记忆从而创造出真正具备“长期记忆”和“团队协作”能力的智能应用。简单来说如果你正在开发需要处理长文档、进行多轮复杂决策、或模拟长期角色互动的AI应用那么理解并运用共享记忆技术将是突破现有能力边界的关键。本文将深入拆解这一概念并通过一个模拟的实战案例展示如何为AI Agent构建一个基础的共享记忆系统。2. 环境准备与版本说明在开始动手实践之前我们需要明确开发环境。由于“共享记忆”是一个架构理念其实现方式多样可以基于向量数据库、图数据库或传统关系型数据库。为了最直观地演示其核心原理我们将采用一个轻量级的技术栈避免复杂的云服务依赖确保所有开发者都能在本地快速复现。核心环境与工具编程语言Python 3.8。Python拥有最丰富的AI和数据生态是我们的首选。大语言模型接入我们将使用OpenAI的GPT系列模型作为“大脑”。你需要准备一个有效的OpenAI API Key。记忆存储使用Chroma一个开源且易用的向量数据库。它非常适合存储和检索文本的嵌入向量是实现语义化记忆检索的核心。开发框架使用LangChain。它是一个用于开发由LLM驱动的应用程序的框架提供了构建Agent、链Chain以及连接各种工具如向量库的标准接口能极大简化开发流程。辅助工具pip包管理器以及一个你喜欢的代码编辑器或IDE如VSCode、PyCharm。版本说明与依赖安装以下版本在撰写本文时经过测试但AI领域迭代迅速建议读者根据实际情况调整核心在于理解配置思路。打开终端创建一个新的虚拟环境并安装依赖# 创建并激活虚拟环境可选但推荐 python -m venv lindy_memory_env source lindy_memory_env/bin/activate # Linux/macOS # lindy_memory_env\Scripts\activate # Windows # 安装核心依赖 pip install langchain langchain-openai chromadb tiktokenlangchain: 主框架。langchain-openai: LangChain的OpenAI官方集成包。chromadb: 向量数据库。tiktoken: OpenAI用于计算Token数量的工具有助于我们管理上下文长度。项目结构预览在开始编码前我们先规划一个清晰的项目结构ai_agent_with_memory/ ├── memory_core.py # 共享记忆的核心类定义 ├── agent_brain.py # Agent的“大脑”逻辑负责决策和调用工具 ├── tools.py # 定义Agent可以使用的工具如读写记忆 ├── main.py # 主程序入口模拟多轮对话 ├── requirements.txt # 项目依赖列表 └── chroma_db/ # Chroma数据库的持久化存储目录自动生成接下来我们将从零开始一步步构建这个系统。3. 核心原理拆解记忆的存储、检索与更新在构建系统之前我们必须从原理上理解共享记忆是如何工作的。整个过程可以抽象为三个核心环节编码存储、语义检索、动态更新。3.1 编码存储从文本到向量AI模型直接“理解”的是数字。因此我们需要将一段文本记忆例如“用户张三喜欢蓝色他的项目截止日期是下周五”转换为模型能够处理的格式。这里我们使用文本嵌入Text Embedding技术。嵌入模型一个专门的模型如OpenAI的text-embedding-ada-002它将任意长度文本转换为一个固定长度的、高维度的向量一组数字。向量的意义这个向量包含了文本的语义信息。语义相近的文本如“我喜欢苹果”和“我爱吃水果”其向量在空间中的距离也会很近。存储我们将这段文本称为“文档”或“记忆片段”及其对应的向量一并存入向量数据库如Chroma。同时我们还会存储一些元数据比如这段记忆的来源哪个用户、哪个会话、时间戳、类型等便于后续管理。3.2 语义检索找到相关记忆当Agent需要“回忆”时例如用户问“张三的项目进度如何”它不会去逐条扫描所有记忆。那样效率太低。查询编码首先将当前的问题或对话上下文“张三的项目进度如何”同样通过嵌入模型转换为一个查询向量。向量相似度搜索在向量数据库中寻找与“查询向量”最相似的若干个“记忆向量”。这通常是计算余弦相似度或欧氏距离。数据库会高效地返回最相关的几条记忆。返回文本将这些最相关记忆的原始文本内容提取出来作为“上下文”提供给大语言模型LLM。这样LLM在回答问题时就能“看到”这些相关的历史信息仿佛它拥有长期记忆一样。3.3 动态更新记忆的积累与演化记忆不是一成不变的。共享记忆系统需要支持新增将新的对话内容、执行结果作为记忆存储。更新当信息发生变化时如项目截止日期推迟需要能定位并更新原有记忆或新增一条带有冲突说明的记忆。总结与压缩为了避免记忆无限膨胀系统需要定期对旧记忆进行总结将多条细节记忆合并为一条概括性记忆释放存储空间同时保留核心信息。这是解决“上下文过长”问题的关键策略之一。理解了这些原理我们就可以开始用代码将它们实现出来。4. 完整实战案例构建一个具备共享记忆的AI项目助手让我们通过一个具体场景来实践构建一个“AI项目助手”它能记住与不同用户的对话内容、项目需求并在后续交互中引用这些信息实现连贯的协作。4.1 创建项目结构与配置首先创建项目目录和文件。然后在memory_core.py中我们构建记忆系统的基石。# memory_core.py import chromadb from chromadb.config import Settings from langchain.embeddings.openai import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.schema import Document from datetime import datetime import uuid import os class SharedMemoryCore: 共享记忆核心类。 职责管理向量数据库连接提供记忆的存储、检索和基础管理功能。 def __init__(self, persist_directory./chroma_db, collection_nameagent_memory): 初始化记忆核心。 :param persist_directory: 向量数据库持久化目录 :param collection_name: 记忆集合的名称可用于区分不同Agent或不同用途的记忆 self.persist_directory persist_directory self.collection_name collection_name # 初始化嵌入模型用于将文本转换为向量 # 注意这里需要你的OPENAI_API_KEY环境变量 self.embedding_function OpenAIEmbeddings(modeltext-embedding-ada-002) # 初始化或加载Chroma向量数据库 # 设置allow_resetTrue仅供开发调试生产环境应谨慎 self.client_settings Settings( chroma_db_implduckdbparquet, persist_directorypersist_directory, anonymized_telemetryFalse # 禁用匿名数据收集 ) self.vectordb Chroma( collection_namecollection_name, embedding_functionself.embedding_function, client_settingsself.client_settings, persist_directorypersist_directory, ) # 确保持久化 self.vectordb.persist() print(f[记忆核心] 初始化完成记忆库位于: {os.path.abspath(persist_directory)}) def store_memory(self, content: str, metadata: dict None): 存储一段记忆。 :param content: 记忆的文本内容 :param metadata: 记忆的元数据如 source, timestamp, type等 if metadata is None: metadata {} # 确保有唯一ID和时间戳 doc_id str(uuid.uuid4()) metadata.update({ timestamp: datetime.now().isoformat(), id: doc_id }) # 创建LangChain Document对象 doc Document(page_contentcontent, metadatametadata) # 添加到向量数据库 self.vectordb.add_documents([doc]) self.vectordb.persist() print(f[记忆核心] 已存储记忆: {content[:50]}...) return doc_id def search_memories(self, query: str, k: int 4): 检索与查询最相关的k条记忆。 :param query: 查询文本 :param k: 返回最相关的记忆条数 :return: 相关记忆的列表包含内容和元数据 docs self.vectordb.similarity_search_with_score(query, kk) memories [] for doc, score in docs: memories.append({ content: doc.page_content, metadata: doc.metadata, relevance_score: score # 注意Chroma返回的score是距离越小越相关 }) print(f[记忆核心] 针对查询 ‘{query}‘检索到{len(memories)}条相关记忆。) return memories def get_all_memories(self, limit: int 20): 获取最近的N条记忆按元数据中的时间戳简易实现。 # 注意Chroma原生不支持按元数据排序。生产环境需更复杂的查询或使用其他数据库。 # 此处为演示仅获取部分记忆。 # 实际项目中可能需要维护一个独立的索引来管理记忆的顺序和生命周期。 collection self.vectordb._collection results collection.get(limitlimit) memories [] for i in range(len(results[ids])): memories.append({ id: results[ids][i], content: results[documents][i], metadata: results[metadatas][i] }) return memories4.2 定义Agent的工具读写记忆接下来在tools.py中我们定义Agent可以调用的“工具”。工具是LangChain中Agent与环境交互的手段。# tools.py from memory_core import SharedMemoryCore from datetime import datetime from typing import Type from pydantic import BaseModel, Field # 初始化共享记忆核心全局单例模拟共享 # 在实际多进程/分布式环境中这里应该是连接到一个共享的数据库服务 memory_core SharedMemoryCore() # --- 工具1存储记忆 --- class StoreMemoryInput(BaseModel): 存储记忆工具的输入参数模式。 content: str Field(description需要存储的记忆内容应清晰、简洁、包含关键事实。) memory_type: str Field(defaultfact, description记忆类型如 ‘fact‘, ‘preference‘, ‘task‘, ‘decision‘。) source: str Field(defaultconversation, description记忆来源如 ‘user:alice‘, ‘system‘, ‘agent_action‘。) def store_memory(content: str, memory_type: str fact, source: str conversation): 工具函数将一段信息存储到共享记忆中。 metadata { type: memory_type, source: source, stored_at: datetime.now().strftime(%Y-%m-%d %H:%M:%S) } doc_id memory_core.store_memory(content, metadata) return f成功将记忆存储到共享库ID: {doc_id}。内容摘要: {content[:60]}... # --- 工具2检索记忆 --- class SearchMemoryInput(BaseModel): 检索记忆工具的输入参数模式。 query: str Field(description用于检索记忆的查询语句描述你想回忆什么。) k: int Field(default3, description返回最相关的记忆条数。) def search_memory(query: str, k: int 3): 工具函数从共享记忆中检索与查询相关的信息。 memories memory_core.search_memories(query, kk) if not memories: return 在共享记忆库中未找到相关信息。 result_text 检索到以下相关记忆\n for i, mem in enumerate(memories): result_text f{i1}. [来源:{mem[metadata].get(source, N/A)}] {mem[content]} (相关性距离: {mem[relevance_score]:.3f})\n return result_text # 将工具函数和其输入模式封装供Agent使用 # 在LangChain中这通常通过 Tool 类或 tool 装饰器完成这里为清晰起见先定义函数。4.3 构建Agent大脑决策与工具调用在agent_brain.py中我们创建Agent的“大脑”它利用LLM进行思考决定何时以及如何调用我们定义的工具。# agent_brain.py from langchain.agents import initialize_agent, AgentType from langchain.agents import Tool from langchain_openai import ChatOpenAI from tools import store_memory, search_memory, StoreMemoryInput, SearchMemoryInput import os # 设置OpenAI API Key (更安全的方式是从环境变量读取) os.environ[OPENAI_API_KEY] 你的-OpenAI-API-Key # 请务必替换成你的真实Key class AgentBrain: Agent大脑负责理解用户意图决策并调用工具。 def __init__(self): # 1. 初始化大语言模型 # 使用gpt-3.5-turbo以控制成本对于复杂任务可升级为gpt-4 self.llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.1) # temperature调低使输出更稳定、确定性更高 # 2. 封装工具 self.tools [ Tool( nameSearchMemory, funcsearch_memory, description当你需要回忆与当前对话相关的历史信息、用户偏好、项目细节或之前做过的决定时使用此工具。 输入应是一个描述你想查找什么信息的查询语句。, args_schemaSearchMemoryInput ), Tool( nameStoreMemory, funcstore_memory, description当你获得重要的、需要在未来记住的信息时使用此工具。 例如用户的明确偏好、项目需求、达成的共识、重要的任务细节等。 输入应包括清晰的内容和可选的类型、来源。, args_schemaStoreMemoryInput ), ] # 3. 初始化Agent # 使用ZERO_SHOT_REACT_DESCRIPTION这是一个通用的、基于ReAct框架的Agent类型 self.agent initialize_agent( toolsself.tools, llmself.llm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue, # 开启详细日志可以看到Agent的“思考过程” handle_parsing_errorsTrue, # 更好地处理解析错误 max_iterations5, # 限制最大迭代次数防止死循环 early_stopping_methodgenerate # 提前停止策略 ) def chat(self, user_input: str): 处理用户输入返回Agent的响应。 try: response self.agent.run(user_input) return response except Exception as e: # 处理可能出现的错误如工具调用失败、网络问题等 return f抱歉处理你的请求时出现了问题: {str(e)}。请重试或简化你的问题。4.4 运行与验证模拟多轮对话最后在main.py中我们创建一个模拟多轮对话的场景来验证共享记忆是否生效。# main.py from agent_brain import AgentBrain import time def simulate_conversation(): print( AI项目助手带共享记忆模拟对话开始 \n) brain AgentBrain() # 第一轮对话用户提供信息 print(【用户】: 你好我是项目负责人Alice。我们正在开发‘智能日历’项目核心需求是能自动从邮件中提取会议时间并同步。) response1 brain.chat(你好我是项目负责人Alice。我们正在开发‘智能日历’项目核心需求是能自动从邮件中提取会议时间并同步。) print(f【助手】: {response1}\n) time.sleep(1) # 模拟间隔 # 我们希望Agent此时能主动存储这条关键信息。 # 注意由于我们使用的是Zero-Shot Agent它可能不会在初次问候时就存储记忆。 # 更成熟的实现需要更精细的提示工程或规则触发。 # 为了演示我们假设第一轮后Agent存储了记忆。 # 在实际运行中你可以观察Verbose日志看Agent是否调用了StoreMemory。 # 第二轮对话几天后另一个用户或同一用户询问项目 print(【用户】: 嘿我之前没参与。能告诉我‘智能日历’项目的主要目标是啥吗) response2 brain.chat(嘿我之前没参与。能告诉我‘智能日历’项目的主要目标是啥吗) print(f【助手】: {response2}\n) # 期望助手应能调用SearchMemory工具找到Alice之前存储的信息并回答出来。 time.sleep(1) # 第三轮对话用户提供更多细节 print(【用户】: 对了Alice还提到我们优先集成Outlook和Gmail。) response3 brain.chat(对了Alice还提到我们优先集成Outlook和Gmail。) print(f【助手】: {response3}\n) time.sleep(1) # 第四轮对话再次询问细节 print(【用户】: 所以我们项目要集成哪些邮箱服务来着) response4 brain.chat(所以我们项目要集成哪些邮箱服务来着) print(f【助手】: {response4}\n) # 期望助手应能结合第二轮和第三轮的信息给出完整答案。 print( 模拟对话结束 ) if __name__ __main__: simulate_conversation()4.5 结果说明与观察运行python main.py。由于我们设置了verboseTrue你将在控制台看到类似以下的详细推理过程格式已简化 Entering new AgentExecutor chain... 用户能告诉我‘智能日历’项目的主要目标是啥吗 我需要回忆一下这个项目的信息。我应该使用SearchMemory工具。 行动SearchMemory 行动输入智能日历项目的主要目标 观察检索到以下相关记忆 1. [来源:conversation] 我们正在开发‘智能日历’项目核心需求是能自动从邮件中提取会议时间并同步。 (相关性距离: 0.152) 思考我找到了相关记忆。现在我可以回答用户了。 最终答案根据项目记录‘智能日历’项目的主要目标是开发一个能自动从邮件中提取会议时间并进行日历同步的应用。 Finished chain. 【助手】: 根据项目记录‘智能日历’项目的主要目标是开发一个能自动从邮件中提取会议时间并进行日历同步的应用。关键观察点记忆检索当被问及项目目标时Agent自动调用了SearchMemory工具并成功找到了之前存储的记忆。上下文突破助手在回答时并没有依赖当前对话的上下文窗口包含之前的所有对话历史。它通过查询外部共享记忆库获得了所需信息。信息聚合在后续关于“集成哪些邮箱服务”的对话中一个设计良好的Agent能够将“核心需求”和“优先集成Outlook和Gmail”这两条分散的记忆关联起来给出综合答案。这个简单的例子验证了共享记忆的基本工作流程。Agent通过工具与一个持久化的、可检索的知识库交互从而突破了单次对话的上下文限制。5. 常见问题与排查思路在实际开发中你可能会遇到以下典型问题问题现象可能原因排查思路与解决方案Agent不调用记忆工具1. 工具描述不清晰。2. LLM的Prompt未引导其使用记忆。3. 用户问题未触发记忆需求。1.优化工具描述在description中明确使用场景如“当问题涉及历史信息、用户偏好或项目细节时使用”。2.改进系统提示在初始化Agent时通过agent_kwargs传入自定义的系统消息明确指示Agent“你拥有一个共享记忆库在回答前可先查询”。3.设计触发规则在agent_brain.chat()中预处理用户输入若检测到关键词如“记得”、“之前”、“项目”可主动在Prompt中提示Agent去查询记忆。检索结果不相关1. 嵌入模型不适合领域。2. 记忆存储的文本过于冗长或模糊。3. 查询语句表述不佳。1.评估嵌入模型对于专业领域如医学、法律可尝试微调嵌入模型或使用领域专用模型。2.优化记忆内容在存储前对文本进行清洗、总结或结构化确保是清晰的事实颗粒。例如存储“用户偏好蓝色”而非一整段闲聊。3.优化查询尝试用更关键的名词短语进行检索或使用查询扩展技术。记忆库膨胀检索变慢记忆条目过多未经管理。1.设置记忆TTL为记忆添加时间戳和过期策略定期清理过于陈旧的记忆。2.实施记忆总结定期对同一主题的多个细粒度记忆进行总结生成一条概括性记忆并归档或删除原始记忆。3.分库分集合根据记忆类型、用户、项目等维度使用不同的Chroma集合进行存储缩小每次检索的范围。ChromaDB连接或持久化错误1. 目录权限问题。2. 并发写入冲突。3. 版本不兼容。1.检查路径权限确保程序对persist_directory有读写权限。2.避免多进程直接写在生产环境中应将ChromaDB作为独立服务运行客户端通过HTTP/GRPC连接避免文件锁冲突。3.锁定依赖版本在requirements.txt中固定chromadb和langchain的版本。OpenAI API调用失败1. API Key错误或过期。2. 额度不足。3. 网络问题。1.验证API Key在环境变量或配置文件中设置正确的OPENAI_API_KEY。2.监控用量在OpenAI后台检查额度和使用情况。3.添加重试与降级在代码中添加请求重试逻辑或准备备用模型/方案。6. 最佳实践与工程建议将共享记忆从Demo推向生产级应用需要考虑更多工程和架构问题。6.1 记忆的粒度与结构化细粒度存储不要存储大段对话记录。应将对话分解为独立的、有意义的“记忆原子”。例如“用户Alice是项目负责人”、“项目X的核心需求是Y”、“技术选型定为Z”。这能提高检索精度。丰富元数据为每条记忆附加丰富的元数据如entity实体用户、项目、relation关系拥有、偏好、confidence置信度、access_count访问次数。这为高级检索和记忆生命周期管理奠定了基础。支持结构化查询除了向量相似度检索未来可结合图数据库如Neo4j来存储实体和关系支持“找出所有Alice负责的项目”这类精确查询。6.2 记忆的生命周期管理重要性评分根据记忆的来源用户明确声明 vs. AI推断、访问频率、关联性等动态计算记忆的重要性分数。低分记忆可被优先压缩或归档。定期总结与压缩这是解决上下文长度限制的核心。可以设置一个后台任务定期对某一主题下的多条记忆调用LLM进行总结生成一条新的、更精炼的记忆并替换或关联旧记忆。遗忘机制并非所有信息都需要永久记住。实现基于时间、相关性或重要性的自动遗忘策略保持记忆库的健康和高效。6.3 多Agent与并发安全记忆同步当多个Agent同时读写记忆时需要处理并发冲突。可采用乐观锁、版本号或通过消息队列将记忆更新操作序列化。权限与隔离不同用户、不同团队的记忆可能需要隔离。可以通过在元数据中添加tenant_id、user_id并在检索时增加过滤条件来实现。Chroma支持按元数据过滤查询。冲突解决当两个Agent对同一事实存储了冲突的记忆时如“截止日期是周一” vs “截止日期是周二”系统需要能检测并解决冲突。可以引入时间戳、来源可信度权重或触发一个协调流程。6.4 性能与可观测性检索优化对于海量记忆单纯的向量检索可能变慢。可以引入分层索引或混合检索先通过关键词/元数据过滤再进行向量检索。监控与日志详细记录记忆的存储、检索、更新和删除操作。监控记忆库的大小、检索延迟、命中率等指标这对于调试和优化至关重要。测试与评估构建测试集评估记忆系统在真实场景下的表现例如“给定一段新对话系统能否召回所有相关记忆”。6.5 提示工程与Agent设计明确的记忆指令在给Agent的系统提示System Prompt中清晰地定义记忆工具的作用并给出使用示例。例如“你有一个共享记忆库。在回答关于过去信息的问题前你应该先尝试搜索记忆库。”自主记忆存储不要让用户显式命令“记住这个”。Agent应能自主判断一段信息是否值得存储。这可以通过在每次LLM响应后添加一个“判断是否需要存储”的后续思考链来实现。记忆的引用当Agent根据记忆回答时应注明信息来源如“根据之前的记录...”这能增加可信度和可解释性。共享记忆是构建强大、持久化AI Agent的基石。通过将本次实战中的核心组件——记忆存储、语义检索、工具化调用——与上述最佳实践结合你可以设计出适应复杂业务场景的智能系统。从简单的项目助手出发这套模式可以扩展到客服机器人、个性化学习伴侣、游戏NPC乃至数字员工等广泛领域。
