08｜记忆管理（二）：事实性记忆的压缩术与盘活术
二姐
你好，我是产品二姐。
上节课我们搞清楚了 Claude Code 多次会话中产生的程序性记忆——它悄悄记住你是谁、你有哪些工作习惯，解决的是每次开新对话不用重新自我介绍的问题，对应记忆四象限里的长期程序性记忆管理。
这一节课，我们来填记忆四象限里另外两个格子。
第一个是短期事实性记忆管理：主要是指多轮对话中，对话历史越来越长，超出模型上下文窗口局限，发生记忆爆炸的问题如何应对。这里我们仍然会从 Claude Code 源代码里寻根问底，包含压缩短期上下文的两种方法。
第二个是长期事实性记忆管理：主要指 AI 产品需要随时引用大量外部知识来完成回答。在这两年中，主流解决方案是 RAG；但今天又有一个新方案诞生，那就是由 AI 大神，前 OpenAI 合伙 人 Andrey Karparthy 提出的 LLM Wiki。它有效地弥补了 RAG 的先天缺陷，我会通过对比 RAG 的方式来讲述三个主题：
如何用 LLM Wiki 的方式管理知识库，保持知识库新鲜、有效。
如何让知识库能高效地被 Agent 使用起来。
RAG 与 LLM Wiki 各自适用的场景。
学完这一讲，结合上一讲的长期程序性记忆，你就能掌握当下 Agent 记忆管理的主流做法，为自己的 Agent 产品选择合适的记忆构建方法。为我们在后面的实战课程打下基础。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AGI 产品经理全栈进化指南》，新⼈⾸单¥50
《AGI 产品经理全栈进化指南》，新⼈⾸单¥50
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论