技术深度解析
核心创新在于这三种记忆类型如何在基于图的上下文框架中被整合与管理。传统方法将记忆视为扁平的键值存储或简单的向量数据库，这无法捕捉定义真实世界推理的关系和时间依赖性。
情景记忆记录具体事件及其时间和上下文元数据。在图结构中，每个情景都是一个节点，连接到智能体的状态、用户的输入、采取的行动以及结果。这使得智能体能够回答诸如“上次用户要求退款时发生了什么？”这类问题。图结构实现了时间推理——智能体可以遍历情景链来理解因果关系。
语义记忆存储通用知识——从情景经验中提取或从外部来源预加载的事实、规则和概念。这些知识在同一图中表示为节点，并与生成它们的情景相链接。例如，在经历多次退款情景后，智能体可能会创建一个语义节点，代表“退款政策：超过30天的请求将被拒绝”。这使得智能体无需显式编程即可将学到的规则应用于新情况。
程序记忆编码操作流程和动作序列。在图结构中，这些表示为子图或模板，可以被实例化并执行。例如，“客户投诉处理”流程可能包括“验证账户”、“评估问题”、“必要时升级”和“解决”等节点。智能体可以根据当前上下文动态选择并调整这些流程。
基于图的上下文管理是关键使能器。智能体不再依赖单一的上下文窗口，而是维护一个由相关记忆组成的动态子图。当新查询到来时，智能体执行图遍历以检索最相关的情景、语义和程序节点。这种检索不仅基于语义相似性（如向量搜索），还基于关系和时间邻近性。例如，如果用户说“我上周遇到了一个问题”，智能体可以遍历图来找到那个时间段的情景节点。
一个值得注意的开源实现是MemGPT仓库（现已更名为Letta），它在GitHub上已获得超过15000颗星。MemGPT引入了一个分层记忆系统，包含“主上下文”和“外部上下文”，由一个控制器管理存储和检索的内容。虽然MemGPT采用了更传统的基于LLM的方法，但三重记忆图架构代表了一种更严谨的认知模型。
基准性能： 对基于图的记忆智能体的早期评估显示，与无记忆智能体或仅使用简单向量记忆的智能体相比，性能有显著提升。
| 记忆类型 | 任务完成率 | 用户满意度（1-5分） | 平均会话长度（轮次） | 是否需要重新训练 |
|---|---|---|---|---|
| 无记忆 | 62% | 2.8 | 4.2 | 是 |
| 仅向量记忆 | 78% | 3.5 | 6.1 | 否 |
| 图基三重记忆 | 94% | 4.6 | 8.9 | 否 |
数据要点： 图基三重记忆架构在任务完成率上比无记忆智能体提升了32个百分点，比仅向量记忆提升了16个百分点。用户满意度在5分制上跃升了近2分，表明记忆不仅提高了任务成功率，还提升了交互质量。更长的会话长度表明用户正在参与更复杂、多轮次的对话，而这得益于智能体维持上下文的能力。
主要参与者与案例研究
多家公司和研究机构正在积极追求记忆增强型AI智能体，尽管三重记忆图架构仍处于新兴阶段。
Google DeepMind 长期以来一直在探索认知架构，包括可微分神经计算机（DNC）以及最近关于记忆增强神经网络的研究。其Gemini模型通过扩展上下文窗口融入了某种形式的情景记忆，但这是一种暴力方法，无法高效扩展。DeepMind关于“记忆、知识与推理”的研究与三重记忆框架高度契合，但他们尚未公开发布基于该框架的产品。
Anthropic 专注于“宪法AI”和像Claude 3.5这样的长上下文模型，后者可处理高达20万token。虽然这提供了一种工作记忆形式，但它缺乏三重记忆架构所提供的结构化、持久化记忆。Anthropic的方法更多是扩展上下文窗口，而非构建一个记忆系统。
Microsoft 一直在将记忆集成到其Copilot生态系统中。他们的方法结合了Microsoft Graph（用于用户数据）和用于语义记忆的向量数据库。然而，这更像是一种务实的集成，而非严谨的认知架构。三重记忆图框架代表了更根本性的突破。