本文由 RTE 开发者社区成员通过社区网站投稿提供，如果你也有与实时互动（Real-Time Engagement，RTE）相关的项目分享，欢迎访问网站 rtecommunity.dev 发布，优秀项目将会在公众号发布分享。

什么是 AI 记忆？

简单来说，AI 记忆可以看作是 AI 当前有限上下文的一种拓展。在产品的整个生命周期中，用户或者 agent 可能会产生海量的数据，甚至达到数百万到数千万条，然而 AI 大模型能够处理的上下文是有限的，通常在 8K 到 128K tokens。这就意味着，仅靠 AI 自身的上下文处理能力，是无法完全应对如此庞大的数据量的。

因此，为了实现产品的完整功能，就需要引入一些额外的机制。例如，现在比较常见的对话 session 机制，就是通过重新开启对话窗口来清空之前的对话内容。但这种方式在一定程度上会导致信息的丢失。

AI 记忆的核心目标是在尽量减少信息损失的前提下，让产品能够容纳的上下文近乎无限。它就像是为 AI 打开了一扇通往更广阔数据世界的大门，使得 AI 能够更好地处理和利用海量数据，从而提升产品的性能和用户体验。

AI 记忆的类型

短记忆 vs. 长记忆

短记忆：就像电脑的内存，负责存储当前对话中的信息，帮助 AI 理解用户的实时意图。例如，用户问 “第二个选项怎么样？”，AI 需要记住之前讨论过的选项才能给出合适的回答。

短记忆的特点：

维持当前对话的上下文，通常只针对一个会话。
依赖对话历史或会话状态实现。
受限于 token 长度（通常 4k 到 32k tokens）或会话时长。
会话结束后，自动清空。

长记忆： 就像电脑的硬盘，负责存储用户的身份、偏好、历史互动等信息，让 AI 产品能够像个知己一样，在每一次互动中都能更贴心更有温度。例如，AI 可以记住用户喜欢简单的解释，在某些事情上遇到过困难等等。

长记忆的特点：

跨会话保存：不局限于当前对话。
需要结构化存储和高效的检索机制。
用于存储模式、偏好和历史互动信息。
需要定期更新和维护。

User Memory vs. Agent Memory：两种记忆，两种侧重

AI 的记忆系统可以针对两个对象设计：User Memory 和 Agent（智能体）Memory 。它们的功能各不相同，但目标都是提升用户体验。

User Memory：理解用户，建立 “个人档案”

用户记忆的重点是围绕每位用户建立详细档案，从而记住他们的偏好、个性化需求和关键事件。

组成部分 ：

用户画像： 包括基本信息（年龄、兴趣）、偏好、关系网络等。
应用场景数据： 比如心理咨询应用中用户的性格特质，或者教育应用中用户的学习风格（比如 “视觉型”）。
关键事件： 比如某用户的健身计划开始日期，或某段感情关系的变化。

示例代码：

const userMemory = {    profile: {        learningStyle: 'visual',        technicalExpertise: 'beginner',        preferredExamples: 'real-world'    },    events: [{date: '2025…', emotion: 'happy', learn: 'Memobase, a user-profile memory backend…'},{date: '2025…', emotion:...}    ]};

适用场景： 需要高度个性化体验的应用，尤其是 2C 的应用，比如教育，笔记，陪聊，虚拟伴侣，游戏等泛娱乐类的应用。

Agent Memory： 则侧重于 AI Agent 自身的学习与能力发展。它相当于为 AI 构建自己的记忆库，包括比如：

工作流程记忆：回忆多步骤流程、API 调用以及与环境的互动，使其能够更高效地完成任务。这与开发者随时间积累编程技能颇为相似。
技能积累：学习特定技能，如编程、数据分析或图像识别，以应对日益复杂的任务。
错误日志：记住过去的错误，避免重复，并持续提升性能。

示例代码如下：

const agentMemory = {    personality: {        communicationStyle: 'friendly_professional',        expertiseAreas: ['technical_support', 'onboarding'],        responseFormat: 'step_by_step'    },    skills: {       Github_PR_Merge: 'When I merge a PR, I should use rebase rather than merge…',       Buy_Flight_Tickets: 'I should first search for the starting location and landing location on Google, then select booking.com because I have the permission to …'…    }};

Agent memory 更倾向于优化工作流程，适合生产力、服务与自动化类应用，例如客服机器人，生产力工具和智能助手。

记忆 vs. RAG：到底有什么区别？

严格来说，记忆是 RAG（Retrieval-Augmented Generation）的一个子集。两者都需要从外部提取信息并融入到 AI 的生成提示中，但它们的应用场景和目标差异明显。

核心区别：

1.规模和范围

RAG：用于在大型文档集合中检索信息（如公司 Wiki、技术文档等）。
记忆：专注于从用户互动中管理个性化信息，尤其是多用户环境。

2.信息密度

RAG：处理密集型的非结构化数据，比如文本或表格，通常用于事实检索。
记忆：处理多会话的用户/Agent 数据，更注重交互体验。

3.检索方式

RAG：借助语义搜索和嵌入式检索，匹配精确文档。
记忆：倾向于总结和压缩互动中的关键点，优化上下文体验。

如何选择？

RAG 更适合：搜索大规模知识库（如内部文档或技术资料），需要高度准确性和扩展性。
记忆更适合：管理用户个性化信息，提升多会话的连续体验。

总之，RAG 和记忆并不是非此即彼的互斥关系，而是互补的工具。RAG 解决的是广泛的知识检索问题，而记忆的目标是让 AI 具备贴心的个性化互动能力。如果你想打造一款能记住用户需求、提供真正个性化服务的 AI 应用，记忆无疑是不可或缺的一环。

一个简化的知识分层框架

为了更好地理解记忆和 RAG 的区别，我们可以将知识分为三个层次：

通用知识： 通常已经内嵌入基座模型之中。
组织知识： 内部文档和数据集，通常使用基于向量数据库的 RAG 。
用户特定知识： 以用户为中心的信息，需要作为用户和 AI 产品交互的上下文，这就是记忆不可或缺的地方。

啥时候用 RAG？

如果你的应用需要在大型知识库中进行精确搜索，例如公司内部维基、技术文档或大量数据集，那么 RAG 会是你的首选。

啥时候用记忆？

如果你关注的是长期交互，尤其是信息密度较低的对话数据（例如，总结一系列聊天），那么记忆是更好的选择。

为什么 AI 应用需要记忆？

我们已经了解到，AI 能够利用各种类型的知识，从海量的全球数据到公司特定的信息，但 用户级记忆 的真正价值在于，它可以让 AI 更加智能和贴心。为什么记忆对 AI 应用这么重要？让我们一起来看看：

1. 个性化互动

想象一下，一个 AI 助手不仅能记住你的兴趣爱好，还能记得你喜欢的笑话风格。每次跟你聊天时，它都能聊到点上，让你感觉它更像一个真正的朋友，而不是冰冷的机器。这种个性化的体验，不仅更有趣，也让用户更愿意长期使用。

2. 上下文连贯性

如果你告诉 AI 聊天产品：“我今天想吃汉堡和薯条。” 普通的 AI 可能会直接给你推荐附近的餐馆。但一个有记忆的 AI 可能会提醒你：“可你不是说要锻炼三个月练出六块腹肌吗？” 这样的互动不仅更聪明，也让用户觉得 AI 更懂自己。

3. 节约成本

我们参与的一个聊天机器人项目，在引入 Memobase 后，通过从 32K 切换到 8K 上下文窗口模型，把大语言模型（LLM）的成本降低了多达 70-75% 。因为 Memobase 可以有效地管理用户特定知识，而无需在输入提示中不断重复冗长的对话历史记录。这种优化不仅节约了资源，还让应用运行得更快。

总结一下，记忆不仅仅是一个锦上添花的功能，它是让 AI 从普通的工具变成真正有温度的助手的关键。而像 Memobase 这样的专业解决方案，可以帮助你有效管理大规模用户的长记忆。

现在的长记忆方案有哪些？

随着 AI 技术的发展，很多长记忆方案被设计出来以提升用户体验。接下来，我们一起看看这些方案的优缺点，以及它们各自适用的场景。

记忆设计机制对比

这里我们以一个表格的形式，对比现在最主流的记忆设计机制：

下面是一个具体的例子，帮助大家理解这几种记忆机制的区别：

现有记忆方案的常见问题

尽管市面上有很多记忆解决方案，但它们往往存在一些局限性。LangGraph 团队总结得很好：

“目前的大多数 ‘智能体记忆’ 产品都太通用化了。试图满足所有需求，结果却没有一个能真正解决用户的痛点。”

如果你计划为自己的应用增加记忆功能，以下几个问题值得认真思考：

1. 记忆系统会记住哪些内容？

你清楚系统会记录什么吗？很多现有方案并不允许开发者决定记什么、不记什么。但不同的 AI 应用对记忆的需求完全不同，比如：

一个老师的 AI 助手需要记住学生的学习习惯；
一个虚拟秘书需要记住会议日程；
一个陪伴型 AI 则更关注你的兴趣和情感状态。

然而，现在许多解决方案完全依赖 AI 来决定记录什么。这种做法要么会导致 过度记忆（无用信息太多，成本飙升），要么会 遗漏重点（关键信息没被记住）。

2. 增加记忆功能会影响性能吗？

有些记忆系统要求在用户互动过程中实时更新记忆（比如通过函数调用或工具操作）。这种方式可能导致：

性能下降： AI 同时处理记忆更新和用户交互，效率低下；
提示复杂： 为了管理记忆，提示词会变得复杂难懂，难以优化和调试。

更高效的解决方法是将记忆功能解耦——也就是让记忆成为一个独立的存储层，专门负责记忆的读写操作，而不干扰 AI 产品的主要交互职责。

3. 记忆功能会不会增加太多成本？

记忆不是免费的，更新和管理记忆需要消耗额外的计算资源。常见的两种更新机制：

实时更新（Hot-Path Update）：每次用户互动后立即更新记忆。这种方式可以保证记忆是实时的，但会：
- 增加延迟： 等待记忆更新会拖慢响应速度；
- 提高成本： 更新频繁，计算资源需求更大。
批量更新（Batch Update）：会话结束后统一处理记忆更新。这种方式更经济：
- 减少延迟： 用户体验更流畅；
- 节约成本： 批量处理更高效。

其实，大多数场景下并不需要实时更新记忆，因为 AI 本身可以暂时记住当前对话的上下文。只要确保下次用户互动前，记忆能被正确更新就足够了。所以，对于用户记忆来说，批量更新 往往是更合适的选择。

总结

虽然目前有许多 AI 记忆解决方案，但大多数都存在定制化不足、效率低下或成本高昂的问题。那些一刀切的方法、复杂的函数调用以及实时更新的弊端表明，开发者需要更灵活、更实用的解决方案。我们 Memobase 团队坚信以用户为核心设计、优先采用批量更新以及存储层解耦的理念，相信这对大部分 AI 应用，尤其是 2c 应用，是更高效更实用的记忆方案。

Memobase：为 AI 原生应用打造的长记忆解决方案

通过深入分析现有的 AI 记忆方案，我们发现了一个明显的问题：当前的大多数解决方案在构建一个高效、灵活、可控的记忆系统上捉襟见肘，无法满足大多数 AI 原生应用的需求。这也是为什么我们开发了 Memobase，希望可以填补这个记忆解决方案的空白，帮助 AI 产品团队打造全新一代的 AI 原生应用。

为什么选择 Memobase？

Memobase 不只是一个普通的记忆解决方案。它是一种全新的理念，专门用来解决传统 AI 记忆的限制：

1. 基于用户档案的强大系统

虽然 “用户档案记忆” 的概念已经存在，但却缺乏真正强大、易用的开发者友好型工具，能充分释放其潜力。Memobase 则正是为了解决这一问题而生。

2. 灵活定制，让产品团队掌控记忆

我们深信，AI 产品团队应该对存储的数据以及其组织方式拥有完全的掌控权。Memobase 的灵活架构让你可以根据应用需求，自定义记忆结构。

3. 记忆分层：减负提效

Memobase 将记忆当作一个独立的存储层，而不是让 AI 在每次互动时都实时更新记忆。这种解耦的设计不仅提升了性能，还降低了成本，同时简化了开发流程。

4. 核心设计：批量处理

Memobase 支持批量处理，以异步方式更新记忆。即便你的应用需要服务大量用户，它也能保持快速响应。

Memobase 的核心功能

📁 Profile-based 的架构

结构化存储，易于理解和检索： Memobase 围绕用户 profile 构建记忆，提供清晰的结构，便于存储和调用信息。
量身定制： 你可以根据自己产品需要自定义 profile 结构。例如，健身应用可以存储用户的锻炼历史、饮食偏好和健身目标，而语言学习应用则可以记录词汇进度、语法熟练度和学习偏好。
随用户成长动态调整: 随着 AI 对用户了解的深入，profile 内容可以动态更新和扩展，提供更个性化的体验。

🔐 隐私与安全

数据所有权： Memobase 让你完全掌控用户的数据。你来决定存储什么、怎么用以及保留多久。
隐私至上： 内置的隐私保护功能确保符合 GDPR 等数据隐私法规。
审计与监控： 提供了工具来监控记忆使用情况、跟踪变化并确保数据完整性。

🌐 可扩展性与高性能

可扩展性： Memobase 可以轻松支持数百万用户，并随你的应用扩展而无缝扩展。
数据库级的效率： Memobase 借鉴成熟的数据库设计原则，确保快速、高效的信息存储和检索。
最低延迟： 经过性能优化，确保 AI 能在毫秒级别访问所需信息。

🤖 开发者友好

简单易用的 API： Memobase 提供干净、直观的 API，方便与现有工作流集成。
内置批量处理： 不用你自己构建异步更新机制，Memobase 已为你打包好所有必要功能。
丰富的文档与支持： 我们提供详细的文档和支持社区，帮你快速上手。

🚀 内置记忆模板

利用最佳实践： Memobase 的模板融入了来自教育、虚拟伴侣、游戏等领域的最佳实践，为主流 AI 产品品类预设了一系列高效的记忆模板。
快速开发，专注创新： 通过直接使用模板，你可以节省时间，将精力集中在打造应用的核心差异化功能上。
示例： 比如，AI 伴侣模板可能会包含预定义的字段，像个性特征、用户兴趣（书籍、电影、音乐、爱好）、关系历史（重要日期、共享经历）、沟通风格偏好，甚至还有内部笑话。它还可以建议根据对话更新记忆的方法，比如情感分析来衡量用户的情绪状态，主题提取来识别关键讨论点。你可以直接使用这些模板，或者根据自己的特定需求进一步定制它们。

为了给你一个更直观的体感，下面是从我们的一个模板中摘录的一段，大致展示了可以存储的信息类别。

- topic: "Special Events"description: "用户生活中的重大事件和里程碑。"sub_topics:- name: "Anniversaries"description: "结婚纪念日、恋爱纪念日等。"- name: "Trips"description: "用户和 AI 伴侣一起进行的旅行。"- name: "Date Plans"description: "关于未来约会或外出的计划和讨论。"- topic: "Relationships"description: "记录用户的关系信息，特别是和 AI 伴侣的关系。"sub_topics:- name: "Marital Status"- name: "Friendships"- name: "Family Relationships"- topic: "Personality"description: "记录用户的个性或偏好的他人个性特征。"sub_topics:- name: "User Personality"- name: "Preferred Personality"description: "AI 伴侣的偏好个性特征（例如，温柔、冷静、有点受虐倾向、外表冷漠但内心热情、忠诚）。"- topic: "Basic Information"sub_topics:- name: "Birthday"- name: "Age"- name: "Occupation"- name: "Habits"- topic: "Interests and Hobbies"sub_topics:- name: "History"- name: "Fortune Telling"- name: "Food"- topic: "Important Memories"description: "收集事件的记忆，例如生病，每个事件类别都有子类型。"sub_topics:- name: "Illness"- name: "Final Exams"- name: "..."

Memobase 的应用场景

Memobase 立志帮助 AI 原生产品打造更贴心更有温度的产品。我们在与多家头部 AI 应用的种子客户深入合作，这些应用涉及 AI 虚拟陪伴，AI 教育、AI 游戏等等。在这些合作中，这些合作中我们不仅共同开发并完善 Memobase 的功能，还帮助我们打磨了最佳实践的记忆模板。以下是 Memobase 的一些典型应用场景：

🎓 AI 虚拟陪伴：建立更深层的连接

个性化互动：让你的 AI 虚拟陪伴产品能够好的记住用户喜好、生活事件和对话内容的，给用户更贴心更温暖的互动体验。
高情商回复：记录用户的情绪状态变化，让产品能够调整自己的回应。比如当用户经常表现出低落情绪时，为用户提供适当的支持或鼓励。
共同成长：打造与用户一同成长和进化的产品，逐步积累共同的经历，深化彼此的情感连接。

🛎️ 教育平台：个性化学习

详细学生档案： 包括学习风格、优点、缺点、进步速度等，把教育体验根据每个学生的独特需求来量身定制。
个性化课程： 根据学生的表现动态调整课程。比如学生在某个领域很厉害，AI 就能引入更高级的概念，或者跳过他们已经掌握的内容。
精准帮助： 找出学习上的漏洞，及时干预。要是学生在某个概念上卡壳了，AI 就能提供额外的练习、其他的解释方式，或者给他们找些相关的资源。

✍️ AI 游戏：打造沉浸式体验

有记忆的 NPC ： 为 NPC 添加记忆功能，让他们能够记住玩家的行为，增加真实感。比如，一个商店老板记住了你的购买记录，一位任务发布者记得你的功绩，或者一个竞争对手根据你的玩法调整策略。
动态叙事： 根据玩家的选择和行动来编织故事。Memobase 能存玩家旅程的详细历史，让游戏生成个性化的故事线和剧情。

🏥 AI 笔记和情感疗愈

深入洞察： AI 可分析日记内容，发现模式、反复出现的主题和情感趋势，给用户对自己想法和感受的宝贵洞察。比如，一款应用可能发现你在缺乏运动的日子情绪较低，或者某些主题总会引发焦虑情绪。
个性化反思： AI 能找出相关的过往条目，帮用户反思个人成长、追踪目标进度，或者从新角度看待当前的挑战。
动态干预： AI 能根据用户当前的情绪状态和过往经历来调整回复和干预方式。比如用户要是正经历某种情绪问题，AI 就能想起之前成功的应对策略，或者引导他们做些稳定情绪的练习。

大模型厂商的记忆服务 vs. 第三方提供商如 Memobase，该如何抉择？

不少朋友可能会有这样的疑问：大模型厂商会不会自己推出记忆解决方案呢？我们的答案是：也许会。

据我们了解，目前大多数大模型厂商尚未推出独立的记忆服务，只有比如字节在小规模测试豆包的记忆方案。即使未来他们推出了相关解决方案，像 Memobase 这样独立且专注的记忆服务仍然是不可或缺的，其原因主要有以下几点：

1. 摆脱供应商锁定，保持灵活性

与不同基座模型的兼容： 大部分 AI 产品团队希望保持灵活性，不和单一大模型厂商深度绑定。他们希望根据具体需求选择最合适最便宜的基座模型，甚至随着技术演变随时切换。Memobase 提供了完全独立的记忆层，无论你使用哪种基座模型都能完美兼容。
解耦记忆层： 通过将记忆管理与基座模型解耦，Memobase 让你的开发团队可以快速独立性构建记忆管理功能，并不对任何基座模型有依赖关系。

2. 聚焦于记忆，功能更强大

聚焦 AI 记忆： 打造最优质的记忆解决方案是 Memobase 的核心愿景，而不是几十甚至上百个功能之一。这使我们能够聚焦解决 AI 记忆的问题，这种专注使我们可以打磨出更具创新性、更高效的解决方案。
经过验证的性能： 在和我们种子用户的测试中，Memobase 的性能已超越对比基座模型厂商提供的记忆方案。
记忆对大模型厂商的优先不高： 大模型厂商更多关注于扩展模型能力和提升通用性能，大多数大模型厂商现在的估值让他们无法聚焦记忆，给记忆功能分配较高的优先级和投入大量的资源。

3.开源的力量

公开透明： 大多数大模型厂商提供的记忆功能，已经部分第三方的记忆方案是闭源的或者是黑盒模式运作，Memobase 是完全开源的。
社区驱动： 开源的方式鼓励社区参与和贡献，同时让开发者可以根据自己的需求对 Memobase 进行定制和扩展。
快速迭代创新： 开放协作的开发模式让创新速度更快，为每个人打造出一个更强大、更灵活的记忆解决方案。

🚀 即刻启程，为你的 AI 产品注入长记忆

想为你的 AI 产品快速加入长记忆功能，让她提供更贴心更温暖的用户体验吗？以下是几种快速入门方式供你选择：

1.浏览我们的 GitHub 仓库（https://github.com/memodb-io/memobase）：深入了解 Memobase 的工作原理。

2.查看完整文档（https://docs.memobase.io/）：我们的文档包括简单易懂的分步教程，帮助你轻松上手集成 Memobase。

3.加入我们的微信群： 与其他开发者交流，分享你的问题和反馈。也可以通过下面的二维码扫码入群，也可以添加 Memobase 团队小伙伴的微信：zhao-hanbo

Memobase 是开源项目，欢迎你贡献代码、改编项目，或基于它开发属于自己的解决方案。现在就开始着手打造更智能、更个性化、靠记忆驱动的 AI 应用吧！

以上信息由 RTE 开发者社区成员通过社区网站投稿提供，如果你也有与实时互动 ( Real-Time EngagementRTE) 相关的项目分享，欢迎访问网站 rtecommunity.dev 发布，优秀项目将会在公众号发布分享。同时还有 RTEMeetup demo 分享、《编码人声》播客录制、RTE Open Day 展位优先申请等机会。

有意投稿者请联系微信 creators2022 请备注身份和来意。

↙↙↙阅读原文可查看相关链接，并与作者交流