本文首次将AI系统中的记忆表示分为三类参数化记忆、上下文结构化记忆和上下文非结构化记忆并介绍了六种基本记忆操作巩固、更新、索引、遗忘、检索和压缩。文章详细探讨了记忆的分类体系、操作功能及其在长期记忆、长上下文记忆、参数修改和多源记忆等研究主题中的应用为AI中与记忆相关的研究、基准数据集和工具提供了结构化和动态的视角。通过将这些操作系统地映射到长期记忆、长上下文记忆、参数修改和多源记忆等最相关的研究主题中从原子操作和表示类型的视角重新审视记忆系统为AI中与记忆相关的研究、基准数据集和工具提供了一个结构化和动态的视角。一、记忆的分类体系详细介绍了AI系统中记忆的分类体系将记忆分为三种主要类型参数化记忆Parametric Memory、上下文结构化记忆Contextual Structured Memory和上下文非结构化记忆Contextual Unstructured Memory。以下是该部分的内容总结1.1 参数化记忆定义参数化记忆是指模型内部参数中隐式存储的知识。这些知识在预训练或后训练过程中获得并在推理时通过前馈计算访问。特点提供即时、长期且持久的记忆能够快速检索事实和常识知识。缺乏透明性难以根据新体验或特定任务上下文选择性地更新。应用场景适用于需要快速访问固定知识的场景例如问答系统和常识推理任务。1.2 上下文非结构化记忆定义上下文非结构化记忆是一种显式的、模态通用的记忆系统用于存储和检索跨异构输入如文本、图像、音频、视频的信息。特点支持基于感知信号的推理能够整合多模态上下文。根据时间范围进一步分为短期记忆如当前对话会话上下文和长期记忆如跨会话对话记录和个人持久知识。应用场景适用于需要处理多模态输入和动态上下文的任务例如多模态对话系统和视觉问答系统。1.3 上下文结构化记忆定义上下文结构化记忆是指以预定义的、可解释的格式或模式如知识图谱、关系表、本体论组织的显式记忆这些记忆可以根据请求进行查询。特点支持符号推理和精确查询通常与预训练语言模型的关联能力相辅相成。可以是短期的在推理时构建用于局部推理或长期的跨会话存储策划知识。应用场景适用于需要精确知识检索和推理的任务例如知识图谱问答和复杂事件推理任务。二、记忆6种操作详细介绍了AI系统中记忆操作的分类和功能。这些操作被分为两大类记忆管理Memory Management和记忆利用Memory Utilization。2.1 记忆管理记忆管理涉及如何存储、维护和修剪记忆以支持记忆在与外部环境交互过程中的有效使用。记忆管理包括以下四种核心操作Consolidation巩固定义将短期经验转化为持久记忆例如将对话历史编码为模型参数、知识图谱或知识库。功能支持持续学习、个性化、外部记忆库构建和知识图谱构建。应用场景在多轮对话系统中将对话历史整合到持久记忆中以便在未来的对话中使用。Indexing索引定义构建辅助代码如实体、属性或基于内容的表示以便高效检索存储的记忆。功能支持可扩展的检索包括符号、神经和混合记忆系统。应用场景在大规模记忆库中通过索引快速定位和检索相关信息。Updating更新定义重新激活现有记忆表示并对其进行临时修改。功能支持持续适应同时保持记忆一致性。例如通过定位和编辑机制修改模型参数或通过总结、修剪或精炼来更新上下文记忆。应用场景在对话系统中根据用户反馈动态更新记忆内容。Forgetting遗忘定义有选择性地抑制可能过时、无关或有害的记忆内容。功能通过遗忘技术如修改模型参数以擦除特定知识或基于时间的删除和语义过滤来丢弃不再相关的内容。应用场景在处理敏感信息时确保隐私和安全同时减少记忆干扰。2.2 记忆利用记忆利用涉及在推理过程中检索和使用存储的记忆以支持下游任务如响应生成、视觉定位或意图预测。记忆利用包括以下两种操作Retrieval检索定义根据输入识别并访问相关记忆内容。功能支持从多个来源如多模态输入、跨会话记忆检索信息。应用场景在问答系统中根据问题检索相关的知识库内容在多轮对话中检索与当前对话相关的上下文信息。Compression压缩定义在保持关键信息的同时减少记忆大小以便在有限的上下文窗口中高效使用。功能通过预输入压缩如对长上下文输入进行评分、过滤或总结或后检索压缩如在模型推理前对检索到的内容进行压缩来优化上下文使用。应用场景在处理长文本输入时通过压缩减少计算负担同时保留关键信息。三、从记忆操作到系统级主题探讨了如何将前面介绍的记忆操作巩固、索引、更新、遗忘、检索、压缩应用于实际的系统级研究主题。这些主题涵盖了长期记忆、长上下文记忆、参数化记忆修改和多源记忆等多个方面。3.1 长期记忆长期记忆是指通过与环境的交互而持久存储的信息支持跨会话的复杂任务和个性化交互。管理Management巩固Consolidation将短期记忆转化为长期记忆例如通过对话历史的总结或编码。索引Indexing构建记忆索引以支持高效检索例如通过知识图谱或时间线索引。更新Updating根据新信息更新长期记忆例如通过对话历史的动态编辑。遗忘Forgetting有选择性地移除过时或不相关的记忆例如通过时间衰减或用户反馈。利用Utilization检索Retrieval根据当前输入和上下文检索相关记忆例如通过多跳图检索或基于事件的检索。整合Integration将检索到的记忆与模型上下文结合支持连贯的推理和决策。生成Generation基于整合的记忆生成响应例如通过多跳推理或反馈引导的生成。个性化Personalization模型级适应Model-Level Adaptation通过微调或轻量级更新将用户偏好编码到模型参数中。记忆级增强Memory-Level Augmentation在推理时从外部记忆中检索用户特定信息以增强个性化。3.2 长上下文记忆长上下文记忆涉及处理和利用大量的上下文信息以支持长文本理解和生成。参数化效率Parametric EfficiencyKV缓存丢弃KV Cache Dropping通过静态或动态方式丢弃不必要的KV缓存以减少内存需求。KV缓存存储优化KV Cache Storing Optimization通过量化或低秩表示压缩KV缓存以减少内存占用。KV缓存选择KV Cache Selection通过查询感知的方式选择性加载KV缓存以加速推理。上下文利用Contextual Utilization上下文检索Context Retrieval通过图结构或片段级选择方法从大量上下文中检索关键信息。上下文压缩Context Compression通过软提示压缩或硬提示压缩减少上下文长度提高推理效率。3.3 参数化记忆修改参数化记忆修改涉及对模型内部参数的动态调整以适应新的知识或任务需求。编辑Editing定位-编辑方法Locating-then-Editing通过归因或追踪找到存储知识的位置然后直接修改。元学习Meta Learning通过编辑网络预测目标权重变化实现快速和稳健的修正。提示方法Prompt-based Methods通过精心设计的提示间接引导输出。附加参数方法Additional-parameter Methods通过添加外部参数模块调整行为而不修改模型权重。遗忘Unlearning定位-遗忘方法Locating-then-Unlearning找到负责特定记忆的参数然后应用目标更新或禁用。训练目标方法Training Objective-based Methods通过修改训练损失函数或优化策略显式鼓励遗忘。持续学习Continual Learning正则化方法Regularization-based Methods通过约束重要权重的更新保留关键参数记忆。重放方法Replay-based Methods通过重新引入过去样本强化记忆特别适合在训练中整合检索到的外部知识。3.4 多源记忆多源记忆涉及整合来自不同来源如文本、知识图谱、多模态输入的信息以支持更丰富的推理和决策。跨文本整合Cross-textual Integration推理Reasoning整合多格式记忆以生成一致的响应例如通过动态整合领域特定的参数化记忆。冲突解决Conflict Resolution识别和处理来自不同记忆源的矛盾信息例如通过信任校准和来源归因。多模态协调Multi-modal Coordination融合Fusion对齐跨模态信息例如通过统一语义投影或长期跨模态记忆整合。检索Retrieval跨模态检索存储的知识例如通过基于嵌入的相似性计算。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】