1.Knowledge：
领域学科知识、企业知识、经验知识、特定场景的内容知识、推理规则、学习算法等，涵盖事实、规则、算法等方面。
2.Memory：
我们经常提到的“记忆”模块也可以归为知识库的内容。
短期记忆：与用户沟通的临时性信息，会话上下文信息、临时变量等信息作为短期记忆，用于理解用户意图并准确回答。
长期记忆：数据库、LLM参数、数据图谱等形态通过存储与处理历史数据，实现个性化服务与智能推荐。
短期记忆的内容，可以抽象总结沉淀作为长期记忆的内容，以便于提升模型的智能与个性化服务能力。
知识库的使用包括数据处理、检索与召回、辅助内容生成三部分。后续写篇介绍RAG的文章再重点讲。
智能客服系统：
场景描述：智能客服系统利用Agent知识库提供24小时不间断的客户服务。
详细说明：当客户提出问题或请求时，智能客服Agent会首先分析客户的问题，并从知识库中检索相关的答案或解决方案。知识库可能包含常见问题解答（FAQ）、产品手册、服务指南等内容。Agent能够快速定位并提供准确的回复，提高客户满意度和客服效率。
智能旅游助手：
场景描述：智能旅游助手Agent通过知识库为用户提供旅行规划、景点推荐、交通指南等服务。
详细说明：知识库包含了全球各地的旅游景点信息、当地文化特色、交通线路、酒店住宿等内容。当用户提出查询或请求时，Agent会从知识库中检索相关信息，并结合用户的偏好和需求进行推荐。此外，Agent还可以根据用户的历史旅行记录，为用户提供更加个性化的旅行建议。
智能医疗助手：
场景描述：智能医疗助手Agent协助医生进行疾病诊断、治疗方案推荐等工作。
详细说明：知识库存储了大量的医学知识、病例数据、治疗方案等内容。当医生遇到疑难病例时，Agent可以从知识库中检索相关的医学知识和类似病例的治疗方案，为医生提供参考。此外，Agent还可以根据患者的病史、症状等信息，协助医生进行初步的疾病诊断和治疗方案推荐。
长期记忆与短期记忆部分不太好理解，我们举具体应用实例了解一下：
背景：
开发一个智能旅游助手Agent，帮助用户规划旅行行程、提供景点推荐、预订机票酒店等服务。
长期记忆：
数据库：存储用户的历史旅行记录、偏好设置、常用联系人等信息。这些信息是Agent的长期记忆，用于分析用户的旅行习惯和偏好，以提供更加个性化的服务。
知识库：包含世界各地的旅游景点、文化特色、当地美食等结构化信息。这些知识是Agent的长期记忆，用于回答用户关于旅行的问题和提供推荐。
MLM：通过训练机器学习模型（如推荐算法），Agent可以学习到用户的兴趣点和偏好，并将这些知识作为长期记忆存储在模型的参数中。例如，根据用户的历史旅行记录和搜索行为，Agent可以预测用户可能感兴趣的景点和活动，并主动推荐给用户。
短期记忆：
会话上下文：在与用户进行交互时，Agent需要存储当前的会话上下文信息，如用户的提问、上一步的响应等。这些信息是Agent的短期记忆，用于理解用户的意图并生成准确的回答。例如，当用户询问某个景点的开放时间时，Agent需要记住用户提到的景点名称，并在回答中引用该名称。
任务状态：如果用户正在规划一个旅行行程，Agent需要存储当前的任务状态信息，如已选择的景点、机票酒店预订情况等。这些信息是Agent的短期记忆，用于跟踪任务的进度并提醒用户完成剩余步骤。
临时变量：在处理复杂任务或计算时，Agent可能需要使用临时变量来存储中间结果或待处理的项。这些变量只在当前任务处理期间有效，一旦任务完成或计算结果输出，这些变量就会被清除。
总结：
在这个智能旅游助手Agent的项目中，长期记忆和短期记忆都发挥了重要作用。长期记忆存储了用户的历史数据、知识库和机器学习模型等持久性信息，用于支持Agent的个性化服务和智能推荐；而短期记忆则存储了当前的会话上下文、任务状态和临时变量等临时性信息，用于支持Agent与用户进行实时交互和完成当前任务。通过合理利用这两种记忆模块，可以使Agent更加智能、高效地为用户提供旅行助手服务。
Agent系列之LATS（Language Agent Tree Search）框架解析
Agent 系列之 LLM Compiler框架解析
Agent 系列之Reflection框架解析
| 欢迎光临 链载Ai (http://www.lianzai.com/) | Powered by Discuz! X3.5 |