1 篇博文 含有标签「RAG」

当开发者将自主AI智能体作为长期协同伙伴或自主软件工程师投入实际生产时，无一例外会遭遇三个令人沮丧的架构瓶颈：

1. “智能体完全遗忘了昨天多轮会话中敲定的核心系统架构设计决策。”
2. “将包含十万行代码的企业代码库直接塞进百万Token的上下文窗口，导致了严重的注意力弥散（Lost-in-the-Middle迷失中间现象），每次交互产生高昂的API费用。”
3. “在RAG检索增强生成场景中拼接多篇检索文档切片时，现有的前缀键值缓存（KV Cache）全部失效，首Token生成延迟（TTFT）飙升至数秒以上。”

人类大脑在这方面展现了绝妙的工程解法：生物脑仅拥有极其微小的物理工作记忆（仅能容纳4到7个离散信息块），却能在一瞬间从长时记忆中精准检索数十年前的知识，并在多领域信息间自如融合而不会产生认知瘫痪。

在Stanford CS329A: Self-Improving AI Agents的第三部分：智能体工程（Part 3: Agent Engineering）中，本讲聚焦于Agent Memory Architecture（智能体记忆架构），深入剖析赋予AI系统持久化、分层化记忆的三大核心抽象层级：

• 软件控制层 (MemGPT, UC Berkeley 2023): 借鉴操作系统虚拟内存分页机制的分层记忆管理。
• 神经网络表征层 (Cartridges, 2025): 通过自主学习（Self-Study）与上下文蒸馏，将海量文本压缩为即插即用的连续KV缓存向量。
• 系统基础设施层 (CacheBlend, EuroSys 2025): 恢复文档间交叉注意力，使RAG首Token延迟降低3.3倍的选择性KV缓存融合。