AI Agent 第 3 章：记忆、RAG 与知识库

上下文窗口只能保留当前工作集，真实 Agent 却要跨会话认识用户，也要从大量外部材料中找证据。于是系统需要两条不同的长期通道：用户记忆和知识库。

好的记忆系统不是“什么都记住”，而是知道什么值得记、保存多久、由谁更正；好的 RAG 也不是“搜到一段相似文字”，而是把来源、时间和结构一起带回来。

记忆负责连续性，知识库负责事实依据；两者都必须带来源、时间与可撤回机制。

01 / MEMORY OR KNOWLEDGE先分清记忆与知识。

用户偏好、历史选择和长期目标属于记忆；法律条文、产品文档、案件材料与研究报告属于知识。前者强调个体连续性，后者强调来源可靠性。

谁说的、何时发生、是否仍有效、能否删除。

来源文件、版本日期、适用范围、引用位置。

本轮真正需要的少量记忆与证据。

记忆可以是自然语言摘要、结构化字段、事件时间线，甚至可执行规则。格式越强，检索和更新越稳定；格式越自由，表达越丰富但更容易冲突。

生产系统要处理重复、过期、矛盾和隐私。尤其是日志进入长期存储前，应先脱敏，并允许用户查看、更正或删除。

基本流程是：把文档切成可检索单元，建立索引，根据问题召回候选片段，再把片段连同来源交给模型生成答案。

分块过大，相关内容被噪声淹没；分块过小，前后关系被切断。应根据文档结构、问答粒度和引用要求一起决定。

检索结果不是事实本身。它只是候选证据，仍需核对来源、版本和上下文。

稠密向量擅长理解语义相近，稀疏检索擅长命中法条号、姓名、型号等精确词。混合检索再配合重排，通常比单一向量搜索更稳。

文件系统、结构化索引和知识图谱各有价值。目录天然表达项目与材料边界；结构化字段适合时间、金额和主体；图谱适合实体关系。

关键不是追求最复杂的数据库，而是让查询路径与知识本身的结构相匹配。

智能体化 RAG 把检索变成工具：模型先判断信息缺口，选择知识源，比较结果，必要时改写问题继续搜索。灵活性更高，也更需要预算、来源白名单和停止条件。

用于案件材料时，可以要求每条结论同时返回文件名、页码、日期与置信状态；找不到依据时明确标记“待核验”，而不是补全一个听起来合理的答案。

第一道练习：为一个新案件建立三层索引——文件目录、结构化时间线、可引用原文片段，并用 10 个真实问题测试召回。

原书与章节来源

继续沿着“理解结构—动手改变—观察结果—形成判断”的方式学习。