大语言模型（LLM）往往是“短跑冠军”却也是“马拉松低手”。在单轮对话中，它们能展现出惊人的推理能力，但一旦进入漫长的多轮交互，随着上下文的拉长，模型往往会陷入“失忆”、幻觉频发、逻辑前后矛盾的泥潭。
现有的解决方案通常是简单粗暴地将所有历史对话塞进上下文窗口，这不仅导致计算成本飙升，还会因为噪音过多干扰模型的判断。
ArXiv URL：http://arxiv.org/abs/2512.14118v1
为了解决这一痛点，来自麦考瑞大学（Macquarie University）的研究人员提出了一种名为CogMem的认知记忆架构。该架构不再依赖单纯的上下文堆砌，而是模仿人类的认知机制，通过构建分层的、持久化的记忆系统，让大模型在长对话中也能保持清醒的头脑和连贯的逻辑。
模仿人类认知的“记忆三重奏”
CogMem 的核心创新在于其分层记忆设计，这一灵感直接来源于人类的认知科学模型（特别是 Oberauer 的工作记忆模型）。它并没有把所有信息混为一谈，而是将记忆划分为三个层级，分别处理不同时间跨度和重要性的信息：
注意力焦点（Focus of Attention, FoA）：
这是最顶层的短期记忆，类似于人类“当前正在思考的事情”。FoA 机制会根据当前的任务，动态地重构出一个极简的、最相关的上下文。它只保留当下推理最需要的线索，从而避免了无关历史信息的干扰，也极大地节省了 Token 消耗。
直接访问记忆（Direct Access, DA）：
这层记忆类似于我们在会议中做的“笔记”。它维护着当前会话级别的关键信息和计划。DA 负责存储那些虽然当前不在注意力焦点中，但对整个会话至关重要的中间推理结果。它起到了承上启下的作用，确保模型在同一个会话内不会“断片”。
长期记忆（Long-Term Memory, LTM）：
这是最底层的知识库，用于存储跨会话的推理策略和经验。当模型经历了一次复杂的推理过程后，LTM 会将其中提炼出的核心策略和知识固化下来。这意味着，模型不仅能记住“刚才说了什么”，还能记住“上次是怎么解决类似问题的”，从而实现跨会话的能力迁移。
双智能体协作：推理与记忆分离
为了高效管理这套复杂的记忆系统，CogMem 引入了双智能体协作模式：
- 推理智能体（Reasoning Agent）：专注于解决问题，执行具体的推理任务。
- 记忆智能体（Memory Agent）：专注于“做笔记”和“翻旧账”。它负责对推理过程进行总结、更新 DA 笔记，并从 LTM 中检索相关信息。
这种职责分离的设计非常巧妙。它让推理模型可以轻装上阵，专注于逻辑推导，而繁琐的记忆维护工作则交给更轻量级的模型去处理。系统还配备了会话管理器（Session Manager）和记忆管理器（Memory Manager），负责判断是否可以复用旧的会话、何时清理无效记忆以及如何将短期经验固化为长期知识。
实验验证：层层递进的效果
研究团队在TurnBench-MS基准测试上对 CogMem 进行了评估。这是一个专门设计用来测试模型在多轮交互中推断隐藏规则能力的测试集，难度颇高。实验使用了Gemini 2.5 Flash作为基础模型。
下表展示了不同配置下的性能对比（基于 TurnBench 经典模式）：
| Model Configuration | Easy (Acc) | Medium (Acc) | Hard (Acc) | Overall (Acc) |
|---|---|---|---|---|
| Baseline (Gemini 2.5 Flash) | 0.93 | 0.73 | 0.60 | 0.76 |
| + FoA(仅加入注意力焦点) | 0.93 | 0.80 | 0.67 | 0.80 |
| + FoA + DA(加入直接访问记忆) | 1.00 | 0.87 | 0.73 | 0.87 |
| + FoA + DA + LTM (CogMem) | 1.00 | 0.93 | 0.80 | 0.91 |
数据清晰地揭示了每一层记忆的独特价值：
- 仅引入FoA，模型在困难任务上的准确率就有提升，说明精简上下文能有效减少干扰。
- 加入DA后，整体准确率进一步提升至 0.87，证明了会话级笔记对维持连贯性的重要性。
- 最终完整的CogMem架构（加入LTM）将整体准确率推高至0.91，特别是在中等和困难任务上表现优异。
总结
CogMem 的出现为大模型的长文本推理提供了一个极具潜力的方向。它证明了，与其无限制地扩大上下文窗口（Context Window），不如教模型学会“如何记忆”。
通过LTM、DA和FoA的协同工作，CogMem 不仅解决了上下文无限增长带来的成本问题，更重要的是，它让模型具备了类似人类的“反思”和“经验积累”能力。这种从被动接收上下文到主动管理记忆的转变，或许正是通向更可靠、更像人类的 AI 推理系统的必经之路。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
