AI Agent的Wiki Memory知识层

hwchase17 发布于 2026-07-01 阅读 6

文章介绍了“wiki memory”模式,即通过AI Agent将原始数据(如日志、代码、文档等)转化为紧凑、持久且代理可读的知识层。

图像

Agent 的内存仍然处于早期阶段,几乎没有标准。对于每个人来说,“内存”的含义都不同。但一种常见模式正在出现:wiki 内存。

这个想法很简单:使用 Agent 将原始源数据转换为紧凑、持久、Agent 可读的知识层。

为什么是 wiki?

原始数据包含大量知识,但直接将其暴露给 Agent 通常效率低下。日志、笔记、代码、文档、实验、Slack 线程和转录内容过于杂乱且庞大。因此,我们会对这些数据运行一个处理过程,并将其转换为更密集的表示形式。

这与基本的 RAG 不同。RAG 通常在查询时检索原始块。而 wiki 会预先计算并维护一个更高层次的综合,这样 Agent 就不必每次都重新发现结构。

这种需求几乎无处不在。当我和一家研究公司的朋友交谈时,他谈到了他们研究人员头脑中的所有知识。他想“克隆他们的大脑”,这样即使他们离开了,知识也能留在公司。他希望通过查看他们进行的实验、写的笔记和采取的行动,来近似实现这种“大脑克隆”。

Wiki 是一种实现这一目标的实用方法:不是存储所有内容,而是将有价值的东西压缩成可重复使用的知识库。

什么是“wiki”?

Wiki 是一种由 Agent 维护的数据结构,它以 Agent 友好的方式表示源知识。

在实践中,这通常意味着对某些源材料运行一个 Agent,并要求它创建一组文件,以便未来的 Agent 能更快地理解该领域。

重要的不是它看起来像维基百科。重要的是它是持久的、结构化的、可检查的,并且会随着时间的推移而更新。

Wiki 的例子

Cognition 的 DeepWiki 可能是我记忆中第一个这样的例子。DeepWiki 为 GitHub 仓库创建 AI 生成的文档。它旨在为人类和编码 Agent 提供代码库的高级思维地图,使其更容易理解和导航。

Karpathy 最近写了他所谓的“LLM Wiki”或“LLM 知识库”。这是同一模式的更通用形式:不仅适用于代码,还可以适用于任意源文件。他的构想是让 LLM 增量式地构建和维护一个持久的 Markdown wiki,它位于用户和原始源之间。

Factory 推出了 AutoWiki,作为与 DeepWiki 类似的产物。AutoWiki 分析代码库并生成结构化、可浏览的文档,并在仓库发生变化时保持更新。

这种模式也与 LangMemLettaMem0Zep 等内存系统相近。这些系统攻克更广泛的 Agent 内存问题,而 wiki 内存之所以引人注目,是因为它经常使用最简单的载体:文件。

每个领域都有 wiki

我认为对于每个领域,都存在一个值得创建的知识库。这个知识库不仅仅是原始数据。它是原始数据的智能压缩版本。

这里有很多未解决的问题:

  • 原始数据是什么?
  • 压缩数据的最佳格式是什么?
  • 应该如何压缩这些数据?
  • 压缩后的表示如何保持最新?

我们开始看到一些常见的答案出现:

  • 原始数据是什么?→ Agent 可以读取或访问的任何内容
  • 压缩数据的最佳格式是什么?→ 文件
  • 如何压缩这些数据?→ 一个 Agent
  • 如何维护它?→ 一个 Agent

文件之所以有吸引力,是因为它们可检查、可编辑、可版本控制,并且易于 Agent 读写。

Wiki 并不是内存的全部。它们最适合持久的领域知识,而不一定是短期的对话状态、用户偏好或高频事件日志。但对于许多领域来说,wiki 内存可能是我们所拥有的最简单且实用的长期内存模式。

  • 原文链接: x.com/hwchase17/status/2...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~

相关文章

0 条评论