跳到主要内容

记忆层与 RAG 系统

Memfit AI 的智能通过复杂的记忆管理和知识检索系统得到增强。

Memory Triage（智能海马体）​

Memory Triage 充当系统的智能海马体，管理长期记忆的持久化和检索。

C.O.R.E. P.A.C.T. 框架​

记忆片段通过多个维度进行评估和评分：

维度描述权重
Connectivity（关联度）与其他记忆的链接高
Origin（来源）来源可靠性中
Relevance（相关性）任务适用性高
Emotion（情感）用户情感信号低
Preference（偏好）用户偏好中
Actionability（可操作性）实用性高
Completeness（完整性）信息完整度中
Temporality（时效性）时间相关性中

记忆生命周期​

输入 → 评分 → 阈值检查 → 持久化
                 ↓
        低于阈值 → 丢弃
                 ↓
        高于阈值 → 索引 → 向量数据库

潜在问题索引​

高分记忆通过以下方式建立索引：

  • 预测的未来查询
  • 语义关联
  • 上下文标签
  • 使用模式

RAG 系统（外脑）​

RAG（检索增强生成）系统作为主动式、代理化的知识服务。

混合索引​

RAG 系统使用多种索引策略：

向量索引​

  • 语义相似性搜索
  • 基于嵌入的检索
  • 模糊匹配

关键词索引​

  • 精确词匹配
  • 技术术语
  • 标识符搜索

检索能力​

标量过滤​

  • 按元数据过滤
  • 基于时间过滤
  • 来源过滤
  • 类型过滤

多跳检索​

  • 跟踪知识链
  • 聚合相关信息
  • 构建全面上下文

知识来源​

RAG 系统融合多个知识来源：

┌─────────────────────────────────────────────┐
│               RAG 知识库                     │
├─────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────────────┐   │
│  │   领域知识   │  │  工具与 Forges 文档  │   │
│  └─────────────┘  └─────────────────────┘   │
│  ┌─────────────┐  ┌─────────────────────┐   │
│  │   历史记忆   │  │     外部知识        │   │
│  └─────────────┘  └─────────────────────┘   │
└─────────────────────────────────────────────┘

与执行的集成​

上下文增强​

在每次决策之前：

  1. 基于当前状态形成查询
  2. 检索相关历史记忆
  3. 检索领域专业知识
  4. 为 LLM 组装上下文

主动知识服务​

RAG 系统不是被动的：

  • 主动建议相关信息
  • 在执行过程中更新知识
  • 从成功交互中学习

配置​

记忆设置​

设置描述默认值
scoreThreshold持久化的最低分数0.6
maxMemories最大存储记忆数10000
decayRate基于时间的相关性衰减0.1

RAG 设置​

设置描述默认值
topK检索结果数量5
minSimilarity最低相似度阈值0.7
multiHopDepth最大检索深度2