90%的AI对话都很傻，核心原因是记忆问题

其实不论是常规的AI应用，还是现在大家都在传的Agent框架：

一直有个问题是难以解决的：模型与领域知识（个人知识）如何混用的问题。

因为一般公司对模型的使用多还是粗暴的直接上提示词，比如我们在《为什么AI多轮对话那么傻》这篇文章里面为文章生成观点这块。

这种生成提示词，其本质是使用模型本身的知识，那么他就一定不能被称为一个合格的分身，举个例子，我的AI分身有一段发言：

你这鬣狗哲学挺溜啊！但华为狼狈计划能成，不正是高层先打破了元老垄断？光逼总监分权却纵容董事会搞小圈子，跟要求瘸子跑马拉松有啥区别？

逻辑上，我绝不会发出这种言论，核心原因是：我对华为并不熟悉，我的案例全部是来源于平时工作，这也是为什么大家读起来倍感清切的原因。

这里的点是AI每次发言，必须符合预期，他得有我的知识与习惯。他的要求有二：

生成观点的时候跟我思维一致；
输出观点的时候跟我的风格一致；

所有的一切，其实只有一个要求：模型具备记忆功能…

unsetunsetLLM 记忆unsetunset

记忆模块（Memory）一直是Agent时代研究的重点，也是当前AI应用难以突破的拦路虎。

事实上对于很多缺少流量的公司对此是乐见其成的，因为AI时代的应用变得毫无技术秘密可言，数据资产或许是他们最后的壁垒了。

另一方面前些日子每一次模型发布都可能颠覆一些创业公司，比如GPT的发布就把很多搞文生图的团队拉爆了。

但记忆这个有些不一样：幻觉问题逻辑上是模型难以解决的问题，所以根据知识库做RAG肯定不会错。

而要深入了解记忆问题，可以从两个角度出发：

第一，存储，配合大模型的数据（记忆）应该如何存储；
第二，应用，如何通过数据（记忆）增强模型的上下文理解能力，除了最基础的能记忆，还会涉及到更新、遗忘和记忆的全面性等问题；

然后又一论文对记忆做了基础的分类，我觉得挺不错可以直接使用：

https://arxiv.org/pdf/2505.00675

一、参数记忆

所谓参数记忆（Parametric Memory）即模型内置记忆，也就是我们常说的模型自带的知识库，他通过预训练与微调包括RL形成。

这种内置的知识，是一种即时的、长期的、持久的记忆，能够快速、无上下文地检索事实和常识知识。

换句话说：区别于提示词，微调过的模型泛化能力更好。

只不过问题也很清晰：第一是知识时间上有些滞后，更重要的是各种领域知识是缺失的。如果只使用参数记忆，那么模型就跟试用期的员工差不多。

二、上下文非结构化记忆

上下文非结构化记忆（Contextual Unstructured Memory）大家可以理解为多模态信息，包括文字、图像、音视频。

他们可以让模型拥有阅读、视觉和听觉的能力，是为了解决Agent感知能力而诞生。

三、上下文结构化记忆

上下文结构化记忆（Contextual Structured Memory）是我们最常见的知识结构。

比如知识图谱、关系表或本体论，同时保持易于查询。这些结构支持符号推理和精确查询，通常补充预训练语言模型的关联能力。

PS：虽然可以直接使用，但现在AI论文的营养真的很低…

unsetunset关于知识的处理unsetunset

操作	一句话定义	典型场景	代表性工作 / 产品
巩固 (Consolidation)	把短期记忆提炼、摘要后转存到长期存储，保证后续可持续访问	聊天机器人将一天的对话要点写入用户档案	MemoryBank ：按对话结束‑时间窗口自动总结关键信息并写入持久储层，借鉴艾宾浩斯曲线衰减权重 ([arXiv][1])
索引 (Indexing)	为记忆生成结构化“目录”或关系图，提升检索效率与可解释性	多跳问答先在知识图谱里定位关联事实	HippoRAG ：受海马体索引理论启发，把文档→知识图节点，再用PageRank找多跳路径 ([arXiv][2])
更新 (Updating)	根据新信息增删改记忆，使之保持最新且一致	Podcast 摘要再发布时自动替换过期统计数据	NLI‑transfer 在长期多轮对话中用自然语言推断 (NLI) 检测矛盾句，然后局部重写记忆 ([ACL Anthology][3])
遗忘 (Forgetting)	选择性删除或抹除不再需要、或受到“被遗忘权”约束的内容	公司收到 GDPR 请求，要求模型忘记某位客户数据	《When Machine Unlearning Meets RAG》：对向量库条目做“删除+重拟合”并用对数差异正则同步更新模型参数 ([arXiv][4])
检索 (Retrieval)	按当前查询在记忆库中找最相关条目，供生成或推理	旅行助理回忆用户半年前喜好的餐厅类型	LoCoMo 基准：把对话转成“事件图”，支持时间序和因果约束检索，评测 LLM 能否在 35 次会话后仍准确回答 ([arXiv][5])
压缩 (Compression)	在推理前后对上下文/检索结果做摘要或向量融合，节省上下文窗口	将 20 页财报压成 1 页关键信息喂给模型	xRAG ：把检索到的文档 Embedding 直接当成单个“模态 token”输入模型，实现 3.5× FLOPs 减少且性能↑10% ([arXiv][6])

我这里不一一去拆解论文了，就按照我的理解做解读即可，所谓记忆操作即是把易失的短期上下文→可持久存取的长期记忆。他的核心难点是：

选哪些内容？
存成什么格式？
如何让 LLM 以后真正“想得起”？

举个实际的例子，我写了一套40节课管理课程，现在要做一个AI分身，这里的知识应该如何巩固？如何用最少工程量就能让 LLM 既找得到、也“想得起”我的内容。

一、存什么内容？

整个流程分三层：外部 RAG 层 → 结构化层 → 轻量微调层，按价值递进。首先是内容选择，可以用这个：

优先级	具体选择规则	目标 Token 占比	举例（管理课里的内容）
★★★ 关键概念 & 框架	标题、章节名、五步模型、公式、图表标题	20 %	OKR 循环、5W2H、德鲁克五大任务
★★ 高频 QA & 金句	读者最常提问／点赞的 Q&A，或一句话金句	30 %	“目标先于手段，不是 KPI 先行”
★ 行文细节 & 场景案例	长案例、故事细节	50 %	华为部门墙案例、Netflix 文化小故事

每上传一节课就跑一次“抽取 + 摘要”脚本，把上表三挡内容分层写库，并做少量手工校对，保证关键概念准确。

二、存什么格式

这个其实比较简单，直接结构化知识库+RAG一起用就好，处理的数据大概长这样：

{
  "id": "L17-okr-loop",
"type": "concept",
"title": "OKR 循环",
"summary": "设定目标→关键结果→对齐→检查→复盘",
"keywords": ["目标管理","OKR","循环"],
"lesson": 17,
"timestamp": "2025-05-10T12:00:00Z",
"importance": 0.9
}

事实上，结构化知识库这里会直接引入知识图谱。

三、让LLM想得起

所谓想得起也就是召回率较高，这里策略也很多，比如先根据提问里的显式词，过滤 40 节课中相关信息（缩小向量检索范围，延迟可降 40‑60%）。

这也就是说，可以用模型先针对提问优化一波问题，提取出关键词再去检索。

其次，挑选“高频命中率 > 30%” 且 “回答需要一步就能说清”的知识（≤ 500条）。

也就是用一些策略，丢弃到大部分不需要的返回。

这里其实就是一般的RAG操作，这里实际上也说得比较简单，大家自行品味即可…

最后说下知识图谱的问题。

unsetunset知识图谱unsetunset

关于知识图谱如何增强大模型，之前有文章做过介绍：知识图谱

今天，我们还是沿着前文的案例做延伸：构建我个人的AI分身。这里最关键的挑战是如何让模型真正"继承"我的知识体系和思维模式。

这里以如何将40节管理课程转化为知识图谱，并实现与大模型的深度协同，打造一个真正"懂你"的AI分身。

一、知识提取

将40节管理课程转化为知识图谱不是简单的文本转换，而是需要建立概念层-关系层-案例层的三级知识表示体系：

概念层：提取课程中的核心管理理论、方法论和工具框架

节点示例：OKR循环、5W2H分析法、德鲁克五大任务
属性包括：定义、提出者、适用场景、优缺点

关系层：建立概念间的多维关联

"OKR循环"→"衍生自"→"MBO理论"
"5W2H分析法"→"可用于"→"问题诊断场景"

案例层：连接抽象理论与具体实践

"华为部门墙案例"→"印证"→"跨部门协作障碍"
"Netflix文化变革"→"体现"→"情境领导理论"

事实上，知识整理直接会决定后续模型回答的好坏，所以这里值得花大力气！

二、图谱构建

图谱构建有很多框架，我们这里简单描述即可，以"目标管理"模块为例，其知识图谱片段可能包含：

{
  "nodes": [
    {
      "id": "MBO",
      "type": "concept",
      "label": "目标管理理论(MBO)",
      "properties": {
        "definition": "彼得·德鲁克1954年提出的以目标为导向的管理方法",
        "core_principles": ["目标设定","自我控制","成果导向"],
        "lesson_reference": ["L03","L17"]
      }
    },
    {
      "id": "OKR",
      "type": "concept",
      "label": "OKR目标管理法",
      "properties": {
        "derived_from": ["MBO","SMART原则"],
        "implementation_steps": ["目标设定","关键结果定义","定期复盘"],
        "case_studies": ["Google2018年OKR实施","字节跳动双月OKR"]
      }
    }
  ],
"edges": [
    {
      "source": "OKR",
      "target": "MBO",
      "type": "derived_from",
      "weight": 0.9
    },
    {
      "source": "OKR",
      "target": "SMART",
      "type": "enhanced_by",
      "weight": 0.7
    }
  ]
}

这种结构化表示使知识具备了可追溯性（每个结论都有课程来源）和可组合性（不同概念能自由关联）。

三、检索

接下来就到了关键的检索增强环节，当AI分身需要回答用户提问时，采用图检索→向量精筛→上下文构造的三阶段处理：

一、图模式匹配：将自然语言问题转化为图查询，比如：

问题："OKR与KPI如何结合使用？" → 匹配"OKR"和"KPI"节点及其间路径

二、子图提取与向量精筛：其实就是将概念比较近的知识全部提取出来：

(OKR基本原则) 
│─┬─ 包含: [挑战性目标设定] (权重0.9) 
│ ├── 冲突: [可实现性评估] (需平衡) 
│ └── 应用: [Google 2014年OKR改革] 
│
(目标设定理论) 
│─┬─ 源自: [德鲁克MBO理论] 
│ └── 工具: [SMART原则]

三、上下文构造：将检索结果转化为自然语言提示

这个比较简单，比如："根据课程L17和L23：1) OKR侧重目标导向，KPI侧重指标测量… 2) 华为实践表明…"

四、思维链增强

在生成回答时，AI分身模拟专业咨询师的思考过程：

概念定位：这个问题涉及目标管理领域的OKR与KPI对比
知识提取：回忆课程中三个相关案例和两个理论框架
观点整合：我的典型分析角度是先区分适用场景再谈融合方法
风格适配：采用问题-根源-方案的三段式表达

你是一位资深管理顾问，请按以下结构回答：
1. 问题本质：用一句话点明核心矛盾
2. 理论依据：引用课程中的2-3个关键概念
3. 实践案例：简要描述一个相关企业案例
4. 个人观点：用"我认为"开头表达鲜明立场

当前问题：{用户提问}
相关知识：{检索到的子图信息}

五、案例

最后再给个案例吧，比如有个粉丝今天的问题：空降高管如何快速建立团队威信？

AI分身应该的处理流程：

第一，知识检索

匹配到"新官上任三把火"案例（L12）
关联"权力来源理论"（L08）和"情境领导模型"（L15）
召回我曾在内部培训提到的"三个月生存法则"

第二，观点生成

1. 问题本质：这是关于领导力合法性与变革管理的平衡问题

2. 理论依据：
   - 根据课程L08，权力来源包括职位权力和个人权力
   - 情境领导理论强调不同阶段需要不同领导风格

3. 典型案例：
   - 课程L12提到的阿里张勇空降案例：前30天只做三件事...

4. 我的观点：
   我认为空降领导要避免"证明自己"的陷阱，首月应该：
   - 70%时间用于倾听和诊断
   - 先解决1-2个显性痛点建立信任
   - 通过小胜利(quick wins)积累变革资本

第三，风格调整

添加口头禅："记住，管理是门手艺活"
使用惯用的排比句式："一要…二要…三要…"
保持标志性的70%理论+30%案例的叙述比例

通过这种深度整合知识图谱与大模型的技术方案，AI分身将不再是简单的复读机，而真正成为一个具有一致世界观和专业判断力的数字孪生…

unsetunset结语unsetunset

以上其实都在围绕模型记忆展开，相信大家到此也看懂了，所谓模型记忆就是知识库的应用：外部 RAG 铸短期感知，知识图谱构长期索引，轻量微调植入个性。

{{userData.name}}已认证