RAG、智能体 RAG 与 AI 记忆

RAG, Agentic RAG and AI Memory

RAG 从来都不是终点。AI 智能体中的记忆能力，才是一切演进的方向。

我们用最简单的方式，把这段演进过程拆解一下。

RAG（2020-2023）：

• 只检索一次信息，生成一次回答
• 没有决策过程，只是单纯地取信息、给答案
• 问题：经常检索到不相关的上下文

智能体 RAG（Agentic RAG）：

• 由智能体决定是否需要检索
• 由智能体挑选该查询哪个来源
• 由智能体验证结果是否有用
• 问题：依然只是只读的，无法从交互中学习

AI 记忆（AI Memory）：

• 既能读取、也能写入外部知识

• 能从过去的对话中学习

• 记住用户偏好、过往上下文

• 实现真正意义上的个性化

其中的思维模型很简单：

• RAG：只读、一次性
• 智能体 RAG：通过工具调用实现只读
• 智能体记忆（Agent Memory）：通过工具调用实现读写

智能体记忆之所以强大，原因在于：

智能体现在能够「记住」诸如用户偏好、过往对话、重要日期这类信息。所有这些都会被存储下来，供未来的交互调用。

这解锁了一个更大的可能性：持续学习（continual learning）。

智能体不再被冻结在训练那一刻，而是能从每一次交互中不断积累知识。它们可以随着时间推移不断变好，而无需重新训练。

记忆，正是连接静态模型与真正具备自适应能力的 AI 系统之间的桥梁。