记忆系统

1. 介绍

记忆（Memory）系统是 Chat2Graph 中负责信息存储、检索和管理的核心组件。通过多层级记忆系统设计，定义了从原始数据逐步提炼到高层次的智慧洞察的过程，如记忆存储、信息评估、经验提取和洞察生成，为整个 Chat2Graph 系统提供持久化的学习和适应能力，提升系统的整体智能水平。

记忆系统的功能当前还在持续建设中，这里重点介绍系统的设计理念，希望感兴趣的您加入社区一起共建。

2. 设计

2.1. 分层记忆架构

参考 DIKW 金字塔模型，Chat2Graph 将记忆分层抽象为四个等级：

层级	名称	描述	存储内容	典型用途
L0 (D)	History	消息历史层	推理消息、工具调用记录、系统日志等	完整追溯、调试分析、基础检索
L1 (I)	Evaluation	过程评估层	评估结果、性能指标、状态分类等	质量控制、错误诊断、模式识别
L2 (K)	Lesson	经验总结层	经验规则、最佳实践、领域知识等	决策支持、策略优化、技能传承
L3 (W)	Insight	高维洞察层	高层决策模式、战略洞察等	高维决策、用户偏好、全局优化

2.2. 分层知识管理

不同记忆层级存取的内容差异极大，为了简化描述，这里统一称之为「知识」。

memory-architecture

对于传统记忆系统来说，一般采用单一的存储架构，主要解决知识生产和知识消费的问题。相比而言，分层记忆系统引入了多级的知识抽象，从更精细的粒度对知识进行管理。总的来看包含三个方面：

知识精练（Knowledge Refinement）：原始知识经过逐级的处理、分析、抽象、压缩，形成更高层次的知识，扩展知识生产的能力。
知识下钻（Knowledge Drilling）：在使用高维知识的同时，还可以按需下钻低维知识，让推理上下文粗中有细，强化知识消费的能力。
知识延拓（Knowledge Expansion）：表示同层级知识关联的构建和召回，通过特定方法丰富知识上下文。典型代表是 RAG（检索增强生成）。

3. 记忆系统扩展

广义上，基于分层记忆的设计，可以更好地兼容知识库（Knowledge Base）和环境（Environment）的概念。换言之，从技术实现角度来看，记忆系统、知识库和环境的架构可以统一。

3.1. 知识库

一般的，知识库被看作外部知识的「封闭式」存储仓库。为了提升知识召回的质量，RAG 框架多数情况在对知识库的外围技术做改进，比如查询重写、文档切分、重排序等等，反而忽略了知识内容自身的改进。当然，GraphRAG 可以看做一种相对早期的尝试。分层记忆系统的引入，为精细化的知识管理的提供了「开放式」的解决思路。

因此从某种意义上讲，「知识库其实是记忆系统在垂类领域知识上的特化表达」。当前 Chat2Graph 先初步地将 RAG 作为知识库的实现形式，待分层记忆架构完善后，将进一步把知识库整合进去。关于知识库的具体使用，可以参考知识库文档。

环境指的是 Agent 执行过程中可交互的外部空间，Agent 可以通过工具操作感知环境变化，影响环境状态。本质上，「环境可以被视为"当前时刻的外部记忆"，而记忆则是"历史时刻的环境快照"」，这种同质性使得环境可以无缝地融入分层记忆模型中。Agent 通过工具感知的环境信息其实是 L0 层的原始数据，并可以进一步的提炼形成更高层次洞察（L1~L3）。反过来，记忆系统中经验积累会直接影响环境中的全局共识和高维洞察。

借助于「工具」这座桥梁，可以深层次地打通记忆系统与环境状态，构建智能体的「精神世界」与外部环境的「物理世界」的映射关系，即世界知识模型。