🧠 记忆与推理
🧠
记忆与推理 —— Agent 的认知核心
记忆赋予 Agent 跨越对话的持久知识，推理赋予 Agent 深度思考和问题求解能力。二者共同构成 Agent 认知系统的基石。
📐 记忆与推理在 Agent 中的定位
🤖 Agent 认知架构
🧠
记忆系统
多级存储 · 检索 · 合并
↔
💭
推理引擎
CoT · ToT · ReAct · 反思
↔
📋
上下文管理
窗口 · 压缩 · 结构
🎯 核心概念
多级记忆架构
感官记忆→工作记忆→短期记忆→长期记忆的分层存储模型，匹配人类认知原理
RAG检索增强
将外部知识库与Agent结合，动态检索相关信息增强生成质量与事实准确性
推理增强技术
Chain-of-Thought、Tree-of-Thought等推理框架，提升Agent的深度思考能力
上下文窗口管理
有限上下文窗口的高效利用策略：滑动、压缩、选择性保留与结构化组织
记忆合并与遗忘
短期记忆向长期记忆的合并策略，以及过期、冲突信息的遗忘机制
成本与质量平衡
推理深度与Token消耗的权衡，检索精度与延迟的优化
📂 子页导航
💡 学习建议
建议按顺序阅读：先理解记忆系统架构（01），再深入短期/长期记忆（02），了解 RAG 与 Agent 的结合（03），掌握推理增强技术（04），最后学习上下文管理（05）。记忆与推理相辅相成，理解二者的协同关系是构建高质量 Agent 的关键。