面试题 · 知识图谱
搜索「AI Agent 设计」匹配到追问内容，相关段落已展开。查看匹配内容 ↓
在大模型Agent系统中，长期记忆通常采用哪些存储形式和技术方案？请比较向量数据库、结构化知识库和外部符号记忆等方法的优缺点，并说明适用场景。
学习内容与项目面试，在同一条路上。
| 需求特征 | 推荐方案 |
|---|---|
| "类似的经历" | 向量数据库 |
| "确切的金额" | 结构化数据库 |
| "下一步做什么" | 外部符号记忆 |
生产实践：通常三层叠加——向量库做粗排召回，结构化库做精准确认，符号记忆维护当前任务状态。检索时按优先级融合，而非单一依赖。
场景切入
假设你在做电商客服Agent，用户说'我上次买的那件衣服不合适'，'上次'是三天前。Agent要怎么记住那次对话和订单信息？你考虑过长期记忆用什么方案来存吗？
层层追问
Agent的上下文窗口有限，更早的历史怎么处理？……用户问'去年双十一订单总金额'，这个精确数字怎么查？……如果还要记住用户说过的偏好，但又不能每次全量加载，你会怎么设计存储？
直球架构
在大模型Agent系统里，长期记忆通常有哪些存储方案？比较向量数据库、结构化知识库和外部符号记忆的优缺点，以及各自适合什么场景？
这道题其实问的是：大模型[[Agent]]怎么把信息存下来，并且在不同场景下高效地取回来用。长期记忆不是简单存个文本，而是要区分语义、事实和状态三个层次，选型完全看业务要什么。
先说[[向量数据库]]，它做的是语义记忆。对话历史、文档这些非结构化数据，编码成 [[Embedding]]，按相似度检索。优点是模糊匹配和语义关联很强，适合开放域问答、相似案例召回这种场景。举个例子，客服Agent要查“之前有个客户对退款流程很不满”，直接搜关键词可能找不到，但向量检索能匹配到语义相似的对话。不过这里有个坑：它对精确数值和逻辑查询几乎无效。比如“订单金额大于500的退款单”，向量库就搞不定，而且存在 [[Hallucination]] 风险，召回的内容可能语义相关但事实错误。所以它适合做粗排，不适合做精确确认。
再说结构化知识库，比如关系数据库、[[Knowledge Graph]]。它存的是精确事实，用户画像、交易记录、权限规则这些。优点是支持SQL或图遍历，查询结果可验证，出错能定位。比如客服要查“这个订单的支付金额和退款金额”，用SQL一查就准。但缺点是需要预定义schema，对模糊语义不友好，而且维护成本高。所以它适合做精准确认，不适合做语义搜索。
最后是外部符号记忆，你可以理解成Agent的“便签纸”。典型实现像MemGPT里的虚拟上下文，Agent自己读写外部存储的笔记、待办清单。优点是显式可控，可编辑，适合多步骤任务追踪和跨会话目标维护。比如一个Agent要执行“先查库存，再算折扣，最后生成报价”，每一步的中间状态就写在符号记忆里。但缺点是Agent需要自己管理读写，增加了推理负担，而且写的内容可能不准确。
真正落地时，很少只用一种。生产上常见的是三层叠加：向量库做第一轮粗召回，结构化库做第二轮精确过滤，符号记忆维护当前任务状态。举个例子，智能客服Agent处理退款请求：向量库先召回“类似的历史退款案例”，结构化库再查“这个订单的实付金额和退款规则”，符号记忆记录“当前已经处理到哪一步”。检索时按优先级融合，不是单一依赖。
这里有个前提：三层之间的一致性很难保证。如果向量库刚更新了数据，结构化库还没同步，Agent就可能给出矛盾的回答。上线我会特别关注数据同步延迟，通常用事件驱动或定时批处理来协调。常见失败场景是符号记忆写得太随意，导致Agent自己都读不懂，所以我会限制记忆的格式，比如用JSON结构。
另外，我最近在关注一个方向：怎么让Agent自主决定用哪种记忆，而不是硬编码。比如根据query的意图，动态选择走向量库还是结构化库，甚至自动写符号记忆。这可能涉及到模型本身的推理能力，比如用 [[ReAct]] 模式来做决策。
所以总的来说，我更倾向把向量库看成“快照”，结构化库看成“事实表”，符号记忆看成“工作台”。没有银弹，关键是把场景分清楚，然后做好三者的同步和优先级融合。