构建AI长期记忆系统：从向量检索到记忆宫殿的工程实践

1. 项目概述当AI拥有了“记忆宫殿”最近在AI圈子里一个名为“MemPalace”的开源项目引起了不小的轰动。它被戏称为“生化危机女主角亲自开源”这个梗源自其项目作者在GitHub上的头像和昵称让人会心一笑。但抛开这个有趣的标签MemPalace本身是一个极具前瞻性的AI记忆系统。简单来说它试图解决当前大语言模型LLM面临的一个核心痛点缺乏持续、结构化、可检索的长期记忆。想象一下你正在和ChatGPT进行一场深入的对话讨论一个复杂的项目。聊了十几轮后你提到“我们之前讨论的那个架构图”模型很可能已经“忘记”了具体细节需要你重新描述。这就是典型的“无状态”会话的局限。MemPalace要做的就是为AI构建一个类似人类“记忆宫殿”的机制让AI能够记住跨会话的上下文、用户偏好、历史事实和任务状态并在需要时精准地“回忆”起来。这不仅仅是简单的聊天历史记录而是一个具备索引、关联、推理和主动回忆能力的智能记忆中枢。对于开发者、AI应用构建者甚至是希望打造个性化AI助手的普通用户MemPalace都提供了一个极具潜力的工具箱。它能让你构建的AI应用变得更“聪明”、更“贴心”真正理解用户的长期需求和历史背景。接下来我们就深入拆解这个项目的核心设计、技术实现并分享如何将它应用到你的项目中。2. 核心设计思路与架构拆解MemPalace的设计哲学非常清晰将记忆视为一等公民。它不满足于将对话历史简单堆砌在向量数据库里而是构建了一套完整的记忆生命周期管理框架。2.1 记忆的抽象与分层MemPalace将记忆进行了精细的抽象和分层这是其设计的精髓。记忆单元Memory Unit这是记忆的基本原子。每个记忆单元包含几个核心字段内容Content记忆的具体文本信息。元数据Metadata包括创建时间、重要性权重、关联的实体如人名、项目名、情感标签等。这些元数据是后续高效检索和推理的关键。嵌入向量Embedding将内容通过嵌入模型如OpenAI的text-embedding-3-small转化为向量用于语义相似度搜索。记忆图Memory Graph记忆单元并非孤立存在。MemPalace通过构建记忆图来刻画记忆之间的关系。例如记忆A“用户喜欢喝美式咖啡”和记忆B“用户上周三在星巴克点了冰美式”之间可以建立“强化”或“实例化”的关系边。这种图结构使得系统能够进行关联回忆比如当用户提到“咖啡”时不仅能召回偏好还能联想到具体的历史事件。记忆宫殿The Palace这是最高层的抽象代表了一个特定用户或会话的完整记忆集合。它管理着记忆单元的存储、索引和图关系的维护。你可以为每个用户创建一个独立的“宫殿”实现完全隔离和个性化的记忆。注意这种分层设计借鉴了认知科学中关于人类记忆的理论但用工程化的方式实现。关键在于重要性权重和关系边是需要动态学习和调整的MemPalace提供了相应的钩子hooks和策略让开发者介入这个过程。2.2 核心工作流程记忆的写入与读取MemPalace的工作流程可以概括为“感知-编码-存储-检索-应用”的循环。记忆提取Memory Extraction当与AI交互产生新的对话回合时系统需要判断哪些信息值得存入长期记忆。MemPalace通常采用一个轻量级的LLM如GPT-3.5-Turbo作为“记忆提取器”根据预设的规则或提示词从对话中识别出事实、偏好、承诺、待办事项等关键信息片段。记忆编码与存储Encoding Storage提取出的信息被封装成记忆单元计算嵌入向量并附带元数据。随后这个单元被存入向量数据库如Chroma、Pinecone、Qdrant和关系型数据库用于存储元数据和图关系。同时系统会尝试将这个新记忆与已有的记忆图建立连接。记忆检索Retrieval当AI需要生成回复时系统会根据当前查询用户的最新问题执行多路召回语义检索计算查询的嵌入向量在向量数据库中进行相似度搜索召回最相关的N个记忆单元。元数据过滤根据时间、实体标签等元数据进一步筛选。图遍历检索从某个相关记忆出发沿着关系边找到关联记忆形成一个小型记忆簇。记忆融合与上下文构建Fusion Context Building检索到的多个记忆单元需要被整合成一段连贯的文本作为“长期记忆上下文”插入到给大模型如GPT-4的提示词中。MemPalace会负责去重、排序按时间、重要性和格式化确保提供给LLM的上下文是最精炼、最相关的。推理与响应大模型在获得了包含“当前对话上下文”和“长期记忆上下文”的完整提示后生成更具连续性、个性化和深度的回答。这个流程的核心挑战在于平衡记忆的粒度太粗则无用太细则存储和检索成本高和检索的精度与召回率。MemPalace通过可配置的策略和插件机制让开发者可以根据应用场景进行调优。3. 关键技术组件与工具选型解析要搭建一个可用的MemPalace系统需要一系列技术组件的协同工作。下面我们拆解每个部分的选择与考量。3.1 向量数据库记忆的“海马体”向量数据库负责存储记忆嵌入并实现高速的近似最近邻ANN搜索。这是记忆检索性能的基石。ChromaMemPalace官方示例和社区中使用率很高。它是一个轻量级、嵌入优先的数据库易于本地部署和上手特别适合原型开发和中小型项目。它的Python客户端API非常友好。Pinecone / Qdrant / Weaviate这些是更成熟、功能更全的托管或自托管向量数据库。如果你的记忆量非常大数百万级以上对性能、可用性和高级过滤功能有要求它们是更好的选择。Pinecone是托管服务省心但可能有成本Qdrant和Weaviate开源可以自行部署控制性更强。选型建议对于个人项目或初期验证从Chroma开始绝对是最快、最经济的选择。当记忆单元超过10万或者需要生产级的高可用和低延迟时再考虑迁移到Qdrant或Pinecone。3.2 嵌入模型将记忆转化为“思维向量”嵌入模型的质量直接决定了语义检索的准确性。OpenAItext-embedding-3系列目前综合性能的标杆尤其是text-embedding-3-small在成本、速度和效果上取得了很好的平衡。MemPalace的示例代码也多用此模型。缺点是会产生API调用费用和数据出境考量。开源模型如BAAI/bge-large-zh-v1.5中文优、thenlper/gte-large、intfloat/e5-large-v2。这些模型可以本地部署数据隐私有保障且无调用成本。但需要自备GPU推理资源且不同模型在不同任务和语言上表现差异较大。选型策略优先使用OpenAI的嵌入API进行快速原型开发因为它稳定、效果可预期。当项目进入生产阶段且对数据隐私、成本或延迟有严格要求时再花精力评测和部署合适的开源嵌入模型。一个常见的做法是用OpenAI的模型来生成“黄金标准”的测试集用于评估和调优开源模型。3.3 大语言模型记忆的“前额叶皮层”LLM在MemPalace中扮演两个角色记忆提取器和最终的回答生成器。记忆提取器这个任务相对简单不需要极强的推理能力但需要稳定和低成本。GPT-3.5-Turbo是绝佳选择。你可以设计详细的提示词让它从对话中提取结构化信息。开源模型如Llama 3.1 8B或Qwen2.5 7B的指令微调版本也完全能胜任此任务且能保证数据完全本地化。回答生成器主模型这是与用户直接交互的模型需要强大的理解和生成能力。根据应用场景和预算可以选择GPT-4/GPT-4o、Claude 3等闭源模型或Llama 3.1 70B、Qwen2.5 72B等顶尖开源模型。关键点在于主模型的上下文窗口要足够大以容纳检索回来的长期记忆和当前对话。实操心得不要试图用一个模型干所有事。采用“小模型负责感知与提取大模型负责推理与生成”的分工策略是成本与效果的最优解。MemPalace的架构天然支持这种分工。3.4 图数据库与元数据存储记忆之间的关系图和元数据需要被持久化存储。简单场景如果关系简单如只是标签关联完全可以和元数据一起用SQLite或PostgreSQL的一张关系表来存储。MemPalace的早期版本常采用这种方式足够轻量。复杂关系场景如果记忆之间的关系类型多样且需要复杂的图查询例如“查找所有与项目A相关且发生在会议B之后的重要决策”那么引入一个专门的图数据库如Neo4j是值得的。但这会显著增加系统复杂度。折中方案大多数应用场景下关系并不需要复杂的图遍历查询。在关系数据库中用“记忆ID - 关系类型 - 目标记忆ID”这样的三元组表来模拟图结构配合应用程序层的逻辑已经足够高效。我的建议是除非有明确且复杂的图查询需求否则优先使用成熟的关系数据库如PostgreSQL来统一存储记忆元数据和关系。4. 实战部署从零搭建你的第一个AI记忆系统理论说了这么多我们动手搭建一个最小可用的MemPalace。这里我们选择最轻量化的技术栈Chroma OpenAI Embedding GPT-3.5-Turbo SQLite。4.1 环境准备与依赖安装首先创建一个新的Python虚拟环境并安装核心依赖。# 创建并激活虚拟环境 python -m venv mempalace_env source mempalace_env/bin/activate # Linux/macOS # mempalace_env\Scripts\activate # Windows # 安装核心包 pip install chromadb openai python-dotenv sqlalchemy # 安装可能的辅助包如用于记忆提取的LangChain非必须但方便 pip install langchain langchain-openai创建一个.env文件来管理你的OpenAI API密钥等敏感信息OPENAI_API_KEY你的_api_key_here4.2 定义核心数据结构我们首先用Python类来定义记忆单元和记忆宫殿的基本结构。# memory_models.py import uuid from datetime import datetime from typing import List, Optional, Dict, Any from pydantic import BaseModel, Field from sqlalchemy import create_engine, Column, String, DateTime, Float, JSON from sqlalchemy.ext.declarative import declarative_base from sqlalchemy.orm import sessionmaker Base declarative_base() class MemoryUnitORM(Base): 对应数据库表的ORM模型 __tablename__ memory_units id Column(String, primary_keyTrue, defaultlambda: str(uuid.uuid4())) content Column(String, nullableFalse) embedding Column(String) # 实际中可能存储为Blob或向量扩展类型这里简化为序列化后的字符串 metadata Column(JSON) # 存储为JSON字段 importance Column(Float, default1.0) created_at Column(DateTime, defaultdatetime.utcnow) entities Column(JSON) # 提取的实体列表如 [用户, 咖啡, 星巴克] class MemoryUnit(BaseModel): 业务逻辑使用的记忆单元模型 id: str Field(default_factorylambda: str(uuid.uuid4())) content: str embedding: Optional[List[float]] None metadata: Dict[str, Any] Field(default_factorydict) importance: float 1.0 created_at: datetime Field(default_factorydatetime.utcnow) entities: List[str] Field(default_factorylist) class Config: orm_mode True4.3 实现记忆的存储与检索引擎接下来我们实现一个简化的记忆引擎负责与Chroma和SQLite交互。# memory_engine.py import chromadb from chromadb.config import Settings from openai import OpenAI import json import numpy as np from typing import List from memory_models import MemoryUnit, MemoryUnitORM from sqlalchemy import create_engine from sqlalchemy.orm import sessionmaker import os from dotenv import load_dotenv load_dotenv() class MemoryPalaceEngine: def __init__(self, chroma_persist_path./chroma_db, sqlite_pathsqlite:///memories.db): # 初始化Chroma客户端持久化模式 self.chroma_client chromadb.PersistentClient(pathchroma_persist_path) # 获取或创建一个集合Collection相当于一个命名空间 self.collection self.chroma_client.get_or_create_collection(nameuser_memories) # 初始化OpenAI客户端 self.openai_client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) # 初始化SQLite数据库 self.engine create_engine(sqlite_path) Base.metadata.create_all(self.engine) # 创建表 self.SessionLocal sessionmaker(bindself.engine) def _generate_embedding(self, text: str) - List[float]: 调用OpenAI API生成文本嵌入 response self.openai_client.embeddings.create( modeltext-embedding-3-small, inputtext ) return response.data[0].embedding def store_memory(self, memory: MemoryUnit): 存储一个记忆单元 # 1. 生成嵌入如果尚未生成 if memory.embedding is None: memory.embedding self._generate_embedding(memory.content) # 2. 存储到Chroma用于向量检索 self.collection.add( embeddings[memory.embedding], documents[memory.content], metadatas[{memory_id: memory.id, importance: memory.importance, **memory.metadata}], ids[memory.id] ) # 3. 存储到SQLite用于元数据和关系管理 db_session self.SessionLocal() try: orm_memory MemoryUnitORM( idmemory.id, contentmemory.content, embeddingjson.dumps(memory.embedding), # 序列化存储 metadatamemory.metadata, importancememory.importance, created_atmemory.created_at, entitiesmemory.entities ) db_session.add(orm_memory) db_session.commit() except Exception as e: db_session.rollback() raise e finally: db_session.close() print(fMemory stored: {memory.id}) def retrieve_similar_memories(self, query: str, n_results: int 5) - List[MemoryUnit]: 基于语义相似度检索记忆 # 生成查询的嵌入 query_embedding self._generate_embedding(query) # 在Chroma中查询 results self.collection.query( query_embeddings[query_embedding], n_resultsn_results ) # 根据返回的ID从SQLite中获取完整的记忆单元 retrieved_ids results[ids][0] db_session self.SessionLocal() try: # 这里简化处理实际中可能需要更复杂的查询来匹配ID列表 memories [] for mem_id in retrieved_ids: orm_mem db_session.query(MemoryUnitORM).filter(MemoryUnitORM.id mem_id).first() if orm_mem: mem MemoryUnit.from_orm(orm_mem) mem.embedding json.loads(orm_mem.embedding) if orm_mem.embedding else None memories.append(mem) return memories finally: db_session.close()4.4 实现记忆提取与对话集成现在我们创建一个简单的对话代理它会在每轮对话后尝试提取记忆并在回答时利用记忆。# dialogue_agent.py from langchain_openai import ChatOpenAI from langchain.schema import HumanMessage, SystemMessage, AIMessage from memory_engine import MemoryPalaceEngine, MemoryUnit import json class MemoryAwareAgent: def __init__(self): self.llm ChatOpenAI(modelgpt-3.5-turbo, temperature0.7) self.memory_engine MemoryPalaceEngine() # 系统提示词定义了AI的角色和记忆使用方式 self.system_prompt SystemMessage(content你是一个有帮助的、拥有长期记忆的AI助手。 你可以利用我们之前的对话历史长期记忆来更好地理解我的需求和偏好提供更连贯和个性化的帮助。 如果我问起过去的事情请从你的记忆中寻找相关信息。) self.conversation_history [] # 短期会话记忆 def extract_memory_from_turn(self, user_input: str, ai_response: str): 从一个对话回合中提取潜在的记忆。这是一个简化示例。 extraction_prompt f 请从以下对话回合中提取值得长期记住的关键信息。 用户说{user_input} 助手回复{ai_response} 请以JSON格式输出包含以下字段如果存在 - facts: [列表包含陈述的事实如“用户住在北京”] - preferences: [列表包含表达的偏好如“用户喜欢用Markdown记笔记”] - action_items: [列表包含约定的待办事项如“下周提交报告”] 如果没有任何值得长期记忆的信息输出空JSON {{}}。 try: extractor_llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) msg HumanMessage(contentextraction_prompt) response extractor_llm.invoke([msg]) result json.loads(response.content) memories_to_store [] # 将提取的事实和偏好创建为记忆单元 for fact in result.get(facts, []): memory MemoryUnit( contentfact, metadata{type: fact, source_turn: len(self.conversation_history)//2}, importance0.8 # 事实的重要性中等 ) memories_to_store.append(memory) for pref in result.get(preferences, []): memory MemoryUnit( contentpref, metadata{type: preference, source_turn: len(self.conversation_history)//2}, importance0.9 # 偏好通常更重要 ) memories_to_store.append(memory) # 待办事项可以存储并可能链接到其他系统如日历 for action in result.get(action_items, []): memory MemoryUnit( contentaction, metadata{type: action_item, source_turn: len(self.conversation_history)//2, status: pending}, importance1.0 # 待办事项优先级高 ) memories_to_store.append(memory) for mem in memories_to_store: self.memory_engine.store_memory(mem) print(f[记忆提取] 已存储{mem.content}) except Exception as e: print(f[记忆提取] 错误{e}) def generate_response(self, user_input: str) - str: 生成考虑长期记忆的回复 # 1. 检索相关长期记忆 relevant_memories self.memory_engine.retrieve_similar_memories(user_input, n_results3) memory_context if relevant_memories: memory_context \n--- 相关记忆 ---\n for mem in relevant_memories: memory_context f- {mem.content} (重要性{mem.importance})\n memory_context --- 记忆结束 ---\n # 2. 构建包含短期历史和长期记忆的完整提示 messages [self.system_prompt] if memory_context: messages.append(SystemMessage(contentf以下是你之前记住的、可能与当前对话相关的信息\n{memory_context})) # 添加上下文中的最近几轮短期对话例如最近3轮 short_term_history self.conversation_history[-6:] # 保留最近3轮每轮2条消息 messages.extend(short_term_history) messages.append(HumanMessage(contentuser_input)) # 3. 调用LLM生成回复 response self.llm.invoke(messages) ai_response response.content # 4. 记录本轮对话到短期历史 self.conversation_history.append(HumanMessage(contentuser_input)) self.conversation_history.append(AIMessage(contentai_response)) # 5. 尝试从本轮对话中提取长期记忆 self.extract_memory_from_turn(user_input, ai_response) return ai_response # 简单的对话循环 if __name__ __main__: agent MemoryAwareAgent() print(记忆助手已启动。输入 退出 结束对话。) while True: user_input input(\n你) if user_input.lower() in [退出, exit, quit]: break response agent.generate_response(user_input) print(f\n助手{response})运行这个脚本你就可以和一个拥有基础记忆功能的AI对话了。告诉它“我喜欢喝美式咖啡”过几轮后再问“我喜欢喝什么咖啡”它应该能从记忆中检索并回答出来。5. 高级特性与优化策略基础版本跑通后我们可以探索MemPalace更高级的特性和优化点让记忆系统变得更智能。5.1 记忆的重要性衰减与动态权重不是所有记忆都同等重要。MemPalace一个关键特性是记忆的重要性会随时间衰减或被新的相关记忆强化。时间衰减可以设计一个函数随着时间推移降低记忆的importance权重。例如importance base_importance * exp(-decay_rate * days_passed)。这样在检索时更近、更相关的记忆排名会更靠前。记忆强化当系统检测到用户反复提及或确认某个信息时例如多次提到同一个项目截止日期可以主动提升相关记忆的权重甚至合并重复的记忆。实现方法在MemoryUnit模型中增加last_accessed最后访问时间和access_count访问次数字段。定期运行一个后台任务或在下一次检索时重新计算权重。在检索函数中将语义相似度得分与调整后的重要性权重进行融合排序。5.2 记忆的主动回忆与触发一个真正智能的记忆系统不应该只是被动检索还应该能主动“回忆”。例如当用户说“我今天好累”系统可以主动回忆起用户之前提过的“喜欢通过喝咖啡提神”的记忆并据此做出更贴切的回应如“要不要来杯你常喝的美式咖啡提提神”。实现思路这需要更复杂的“记忆触发器”机制。可以训练一个轻量级分类器或者设计一套规则/提示词实时分析用户输入的情感、意图和实体。当检测到特定模式如消极情绪、特定地点提及时主动去记忆库中检索与之可能相关的记忆并将这些记忆也加入生成上下文即使它们的直接语义相似度不高。示例检测到“累”、“困”等关键词 - 触发检索与“提神”、“咖啡”、“休息”相关的记忆。5.3 记忆的聚合与总结随着时间推移关于同一主题的记忆会越来越多。直接将这些碎片化的记忆全部塞给LLM会浪费上下文窗口并可能造成干扰。记忆聚合定期例如每天或每周对相似主题的记忆进行聚类和总结。例如将一周内所有关于“项目X的进展”的记忆总结成一段连贯的周报文本生成一个新的、更高级别的“聚合记忆”单元。原始的记忆可以被归档或降低权重。技术实现使用聚类算法如K-means或层次聚类对记忆嵌入进行聚类。对每个簇内的记忆内容使用LLM进行总结。这个总结过程本身也可以被设计成一个可迭代的、不断精炼的记忆优化循环。5.4 多模态记忆扩展目前的MemPalace主要处理文本。但人类的记忆是包含图像、声音等多模态的。未来的扩展方向包括图像记忆当用户分享一张图片如宠物照片、设计草图时使用多模态嵌入模型如CLIP为图片生成向量与文本记忆一同存储。当用户提到“我的猫”时系统不仅能回忆起猫的名字还能在回复中引用或描述那张图片。音频记忆存储语音留言或会议录音的转录文本及其音频特征用于基于声音或内容的检索。6. 生产环境部署与常见问题排查当你准备将MemPalace投入生产环境时需要考虑更多工程化问题。6.1 部署架构考量对于中小型应用一个简单的单体服务架构可能就足够了。但对于大规模应用建议采用微服务架构记忆存储服务专门负责记忆的写入、更新、检索和向量化对外提供gRPC或RESTful API。记忆提取服务独立部署负责从对话流中实时提取记忆可以水平扩展以应对高并发。记忆聚合/维护服务作为后台定时任务运行负责记忆的衰减、聚合、去重等维护工作。6.2 性能优化向量索引优化Chroma默认使用HNSW索引。对于海量数据100万需要调整HNSW的参数如ef_construction,M或在生产级向量数据库中创建分区索引。缓存策略对高频用户的近期记忆或热点记忆进行缓存如使用Redis可以极大减少对向量数据库的查询压力。批量操作记忆的写入和更新尽量批量进行减少数据库和向量库的IO次数。6.3 常见问题与排查技巧在实际使用中你可能会遇到以下典型问题问题现象可能原因排查与解决思路记忆检索不准确总是召回无关内容。1. 嵌入模型不适合当前领域/语言。2. 查询文本过于简短或模糊。3. 向量数据库的相似度度量方式如余弦相似度、内积不合适。1.领域适配在你自己业务数据的小样本集上测试不同嵌入模型的效果。2.查询扩展使用LLM对用户的简短查询进行同义改写或扩展生成多个查询向量进行检索后合并结果。3.调整度量尝试不同的相似度计算方式内积dot_product在某些情况下比余弦相似度cosine更有效。记忆提取过度或不足存了太多垃圾信息或漏掉关键信息。记忆提取提示词Prompt设计不佳。1.精细化Prompt在Prompt中提供更具体的例子明确告诉模型什么是“值得记忆”的如事实、承诺、明确偏好什么不是如寒暄、模糊表达。2.置信度过滤让提取模型输出置信度分数只存储高于阈值的信息。3.人工反馈循环允许用户对记忆进行“点赞”或“删除”用这些数据微调提取模型或调整Prompt。系统响应变慢尤其是对话轮次增多后。1. 每次检索都查询全部记忆未做过滤。2. 提供给LLM的上下文记忆历史过长。3. 数据库连接或网络延迟。1.元数据过滤先根据用户ID、时间范围、记忆类型等元数据在关系数据库中快速过滤出一批候选记忆再对这批记忆做向量检索。2.记忆摘要对检索到的大量相关记忆先用一个快速的LLM如GPT-3.5-Turbo进行摘要再将摘要提供给主模型而不是原始文本。3.性能监控对每个步骤嵌入生成、向量检索、数据库查询、LLM调用添加计时定位瓶颈。记忆冲突或矛盾例如用户先说喜欢A后来说喜欢B。系统缺乏记忆冲突解决机制。1.时间戳优先默认采用最新记忆覆盖旧记忆并在元数据中记录冲突历史。2.用户确认当检测到明显矛盾时主动询问用户以澄清例如“您之前提到喜欢A但现在似乎更喜欢B请问哪个是您当前的偏好”3.概率化存储记忆可以附带一个置信度当新旧记忆冲突时可以并存但赋予不同的置信度权重。6.4 安全与隐私考量记忆系统存储了大量用户隐私数据安全至关重要。数据加密确保数据库中的记忆内容尤其是个人身份信息PII在静态存储时是加密的。访问控制严格实施基于用户或角色的记忆访问权限。一个用户的“记忆宫殿”必须与其他用户完全隔离。数据遗忘权必须提供让用户查看、编辑和永久删除其所有记忆的接口这是合规性要求如GDPR。审计日志记录所有对记忆的创建、读取、更新、删除操作便于追踪和审计。MemPalace项目为我们提供了一个构建AI长期记忆系统的绝佳蓝图和起点。从简单的语义检索到复杂的记忆图与主动回忆其设计空间非常广阔。在实际应用中你需要根据自身产品的具体需求在记忆的丰富性、系统复杂度和计算成本之间找到最佳平衡点。最关键的是开始实践从一个简单的、基于向量检索的记忆助手做起逐步迭代你会发现你构建的AI应用正变得越来越“善解人意”和“富有智慧”。