# 记忆对于LLM的意义

<br />

<br />

## 记忆是实现人性化的必要条件

<br />

## 稳定的长期记忆

现有模型的推理能力已经足够强，真正缺的是稳定的长期记忆。

我们需要那么多智能体协作，恰恰是因为一个智能体记不住所有事情。

## 图数据库

* AI 缺的未必是更多上下文，很多时候缺的是上下文之间的关系。

* top-K chunks 可以把文档捞出来，但解释不了它们为什么重要、彼此为什么相连。

* 向量搜索解决的是“像不像”，图更擅长回答“为什么是它”。

* GraphRAG 不是替代向量检索，而是让检索命中之后还能顺着关系继续往下走。

* 当 AI 开始进入权限、历史、作者、决策轨迹这些复杂地带，纯文本上下文很快就会不够用。

* 图数据库重新变重要，不是数据库品类回潮，而是 AI 系统开始需要一层更像知识结构的上下文底座。

<br />

#### LLM实现记忆实现方法

1. LLM大模型的权重

   1. **能进行一定深度和广度的处理能力**，但是整体深度还是达不到人脑
   2. 需要通过及其复杂的梯度下降，不能快速存储特定数据，更新困难、无法追溯
   3. 黑盒，不确定性高，“增删改”不方便
   4. 计算资源消耗大，虽然有MoE
2. KVCache 等运行态中间变量

   1. 存储密度比较低，存储容量上限低

      1. 相对于权重表示，KVCache依赖自然语言的token，表达能力（复杂抽象不能用语言表达）和效率都差一点
   2. 逻辑推理能力稍差，思维能力稍差

      1. CoT可能出现前后矛盾的表达，长上下文之后，模型的准确性下降
   3. 计算资源消耗稍大

      1. 潜式思维链（Latent Chain-of-Thought）是一个改进方向
3. 外部专用数据存储系统

   1. 容量大
   2. **抽象层级最低**，存储密度最低，能力差
   3. 资源消耗小
   4. 支持动态“增删改”