大模型---Agent的遗忘方式
目录
1.Encoding-time Filtering
2.时间衰减遗忘
3.Generative Agents
4.TTL
5.temporal knowledge graph
6.合并去重
7.MemGPT
8.用户删除
Agent会受限于大模型的有限上下文窗口，长期运行时，对话记录和中间结果会迅速占满窗口，若不主动丢弃旧内容，则无法继续处理新信息；同时，过时的用户需求或已被修正的中间结论会误导后续决策，增加噪音和计算开销。因此需要通过合理的遗忘方式，提升Agent的准确率。
1.Encoding-time Filtering
LangGraph文档把AI Agent的长期记忆分成 semantic memory、episodic memory、procedural memory，并强调长期记忆设计要先回答“记什么类型的memory”以及“什么时候更新memory”。长期记忆系统不应该把所有对话都写进去。例如用户稳定偏好，长期项目的状态等适合写入长期记忆，而一次性任务，未确认的推测等等，就不适合写入长期记忆。
2.时间衰减遗忘
参考论文：2305.10250
这是最经典的长期记忆遗忘机制，其引入受Ebbinghaus Forgetting Curve启发的memory updating mechanism，使 AI 能根据时间流逝和记忆重要性选择性遗忘或强化记忆。
以上是MemoryBank架构，左上角为长期记忆存储，其中存储了三类内容，原始历史对话，按日期存储（Past Conversations），从历史对话中总结出的事件（Event Summary），从长期互动中抽取出的用户画像（User Portrait）。
左下角为记忆更新与遗忘，MemoryBank会根据时间推移和记忆重要性来选择性遗忘或强化记忆。每条记忆都有一个强度值，在论文的定义是：
强度越高，越容易被检索出来，强度越低，越不容易进入后续prompt。
Ebbinghaus Forgetting Curve遗忘曲线的基本思想是记忆会随着时间自然衰减；越久不用，越容易被遗忘。在MemoryBank里就是时间越久，记忆强度下降；记忆越重要，下降越慢。
MemoryBank的设计不是只针对遗忘，而是根据时间和相对重要性实现forget and rei