Deep Agent 框架中的记忆技术与 RAG 技术详解

目录

• 1. 引言
• 2. 记忆技术概览
  • 2.1 短期记忆
  • 2.2 长期记忆
  • 2.3 情景记忆
  • 2.4 语义记忆
• 3. 记忆技术的实现架构
  • 3.1 记忆写入流程
  • 3.2 记忆检索流程
• 4. RAG 技术概览
  • 4.1 RAG 整体流程
  • 4.2 检索技术
  • 4.3 查询优化技术
  • 4.4 重排序技术
  • 4.5 上下文组装与生成
• 5. 为什么很多人直接用 LangGraph 的记忆模块？
  • 5.1 LangGraph 记忆模块的核心能力
  • 5.2 为什么选择 LangGraph 而非自研？
  • 5.3 何时仍需要自研？
• 6. LangGraph 与 Deep Agent 的记忆与 RAG 对比
  • 6.1 记忆能力对比
  • 6.2 RAG 能力对比
  • 6.3 选型建议
• 7. 记忆与 RAG 的协同
  • 7.1 记忆增强检索
  • 7.2 RAG 结果写入记忆
  • 7.3 统一的知识管理
• 8. 实践建议
  • 8.1 技术选型参考
  • 8.2 工程落地要点
• 9. 总结

1. 引言

随着大语言模型（LLM）应用的深入，单一的"输入-输出"交互模式已无法满足复杂任务的需求。Deep Agent 框架通过引入**记忆（Memory）与检索增强生成（RAG）**两大核心机制，让智能体具备了持续学习、上下文感知与知识扩展的能力。本文将系统梳理 Deep Agent 框架中记忆与 RAG 的关键技术，帮助读者建立完整的技术认知。

2. 记忆技术概览

记忆是智能体区别于普通对话系统的核心能力。Deep Agent 框架中的记忆体系可分为以下几类：

2.1 短期记忆（Short-term Memory）

短期记忆对应对话过程中的上下文窗口，通常由 LLM 的 context window 承载。关键技术包括：

• 上下文窗口管理：通过滑动窗口、摘要压缩等方式控制 token 消耗，避免超出模型上下文限制。
• 对话状态跟踪：记录当前任务的中间状态、用户意图与已执行动作，保证多轮交互的连贯性。
• 缓存机制：对重复计算或高频访问的中间结果进行缓存，提升响应速度。

2.2 长期记忆（Long-term Memory）

长期记忆用于跨会话持久化存储重要信息，是智能体"越用越聪明"的基础。主要技术包括：

• 向量数据库存储：将重要事实、用户偏好、历史决策编码为向量，存入向量数据库（如 Chroma、FAISS、Milvus）。
• 结构化知识库：以实体-关系三元组形式存储领域知识，支持精确查询与推理。
• 记忆写入策略：通过重要性评分、时效性评估等机制，决定哪些信息值得写入长期记忆。
• 记忆遗忘与更新：定期清理过期或低价值记忆，保持记忆库的准确性与时效性。

2.3 情景记忆（Episodic Memory）

情景记忆记录具体的交互事件与经验，帮助智能体从历史案例中学习。关键技术包括：

• 事件日志记录：完整记录每次交互的输入、输出、工具调用与反馈。
• 经验回放（Experience Replay）：从历史事件中采样相似案例，辅助当前决策。
• 案例推理（Case-Based Reasoning）：通过检索相似历史案例，复用其解决方案。

2.4 语义记忆（Semantic Memory）

语义记忆存储抽象的概念、规则与常识，是智能体理解世界的知识底座。关键技术包括：

• 知识图谱嵌入：将实体与关系映射到低维向量空间，支持语义相似度计算。
• 规则库管理：维护业务规则、约束条件与推理逻辑。
• 概念分层组织：以本体（Ontology）方式组织概念层级，支持泛化与推理。

3. 记忆技术的实现架构

Deep Agent 框架中的记忆模块通常采用分层架构，各层之间通过统一的接口协作：

3.1 记忆写入流程

classMemoryManager:def__init__(self):self.short_term=ShortTermMemory()self.long_term=LongTermMemory()self.episodic=EpisodicMemory()self.semantic=SemanticMemory()defwrite(self,event,importance_score):# 短期记忆直接写入self.short_term.add(event)# 根据重要性决定是否写入长期记忆ifimportance_score>0.7:self.long_term.add(event)# 记录交互经验self.episodic.record(event)# 提取抽象知识knowledge=self.extract_knowledge(event)ifknowledge:self.semantic.add(knowledge)

3.2 记忆检索流程

defretrieve(self,query,top_k=5):# 先查短期记忆short_results=self.short_term.search(query)# 再查长期记忆（向量相似度检索）long_results=self.long_term.search(query,top_k)# 结合情景记忆中的相似案例episodic_results=self.episodic.search(query,top_k)# 融合语义记忆中的相关知识semantic_results=self.semantic.search(query,top_k)# 综合排序返回returnself.merge_and_rank(short_results,long_results,episodic_results,semantic_results)

4. RAG 技术概览

检索增强生成（Retrieval-Augmented Generation）通过外部知识检索弥补 LLM 的知识局限，是 Deep Agent 框架中另一项核心技术。

4.1 RAG 整体流程

4.2 检索技术

4.2.1 向量检索（Dense Retrieval）

• 嵌入模型：使用 BERT、Sentence-BERT、OpenAI Embedding 等模型将文本映射为向量。
• 相似度计算：通过余弦相似度、内积等方式计算查询与文档的语义距离。
• ANN 索引：使用 HNSW、IVF 等近似最近邻算法加速大规模检索。

4.2.2 稀疏检索（Sparse Retrieval）

• BM25 算法：基于词频与逆文档频率的经典检索方法，对精确关键词匹配效果好。
• TF-IDF 加权：衡量词项在文档中的重要程度。
• 倒排索引：高效支持关键词查询。

4.2.3 混合检索（Hybrid Retrieval）

结合向量检索与稀疏检索的优势，通过加权融合提升召回质量：

defhybrid_search(query,dense_weight=0.6,sparse_weight=0.4):dense_results=vector_search(query)sparse_results=bm25_search(query)# 加权融合merged={}fordoc_id,scoreindense_results.items():merged[doc_id]=score*dense_weightfordoc_id,scoreinsparse_results.items():merged[doc_id]=merged.get(doc_id,0)+score*sparse_weight# 按融合分数排序returnsorted(merged.items(),key=lambdax:x[1],reverse=True)

4.3 查询优化技术

• 查询改写（Query Rewriting）：将口语化问题改写为更利于检索的规范表达。
• 查询扩展（Query Expansion）：通过同义词、相关词扩展查询，提升召回率。
• 多查询策略（Multi-Query）：生成多个查询变体并行检索，再合并结果。
• HyDE（Hypothetical Document Embeddings）：先让 LLM 生成假设性回答，再用该回答的向量进行检索。

4.4 重排序技术（Reranking）

检索出的候选文档需经过重排序，将最相关的内容排在前面：

• 交叉编码器（Cross-Encoder）：将查询与文档拼接后输入模型，计算精确相关度。
• LLM 重排序：利用 LLM 的语义理解能力对候选文档打分。
• 多级重排：先粗排再精排，平衡效率与效果。

4.5 上下文组装与生成

• 上下文压缩：对检索到的长文档进行摘要或截断，控制输入长度。
• 去重与去噪：过滤重复、矛盾或低质量内容。
• 提示词模板：将检索结果与用户问题组装为结构化的 LLM 提示词。
• 引用溯源：在回答中标注信息来源，提升可信度。

5. 为什么很多人直接用 LangGraph 的记忆模块？

在工程实践中，很多开发者并不从零实现记忆体系，而是直接选用LangGraph内置的记忆模块。这并非因为 LangGraph 的记忆技术更"高级"，而是因为它把本文前面讲到的记忆能力做成了开箱即用、与图执行引擎深度绑定的组件，大幅降低了落地成本。

5.1 LangGraph 记忆模块的核心能力

LangGraph 的记忆模块主要围绕"状态（State）"展开，与本文 2.1 节的短期记忆、2.2 节的长期记忆一一对应：

• 短期记忆（Thread-scoped Memory）：LangGraph 通过State与Checkpointer维护对话线程内的上下文，等价于本文的短期记忆层。它自动保存每个节点的中间状态，支持多轮对话的连贯执行。
• 长期记忆（Cross-thread Memory）：LangGraph 提供Store机制，将重要信息跨会话持久化，等价于本文的长期记忆层。开发者可以用Store保存用户画像、历史偏好，并在后续会话中检索复用。
• 记忆检索接口：LangGraph 的Store支持按命名空间（namespace）组织数据，并提供语义检索能力，与本文 3.2 节的记忆检索流程对应。

fromlanggraph.store.memoryimportInMemoryStore# 长期记忆：跨会话持久化用户偏好store=InMemoryStore()# 写入记忆store.put(("user","alice"),"preference",{"topic":"langgraph","level":"advanced"})# 检索记忆item=store.get(("user","alice"),"preference")print(item.value)# {"topic": "langgraph", "level": "advanced"}

5.2 为什么选择 LangGraph 而非自研？

5.3 何时仍需要自研？

LangGraph 记忆模块虽方便，但并非万能：

• 深度定制：需要复杂的情景记忆、语义记忆（知识图谱）时，LangGraph 默认模块覆盖有限，仍需结合本文 2.3、2.4 节的技术自研扩展。
• 大规模检索优化：对检索性能、混合检索、重排序有极致要求时，可基于 LangGraph 的Store接口对接自研的向量检索与重排链路。
• 多记忆类型融合：需要将短期、长期、情景、语义四类记忆统一调度时，可在 LangGraph 之上构建本文 3 节所述的分层记忆管理器。

一句话总结：LangGraph 记忆模块是"开箱即用的短期+长期记忆"，适合快速落地；当需要情景记忆、语义记忆或深度定制检索时，再在其上叠加自研能力。

6. LangGraph 与 Deep Agent 的记忆与 RAG 对比

前面分别介绍了 Deep Agent 的记忆/RAG 技术，以及 LangGraph 的记忆模块。下面从记忆与 RAG 两个维度，对两个框架做系统对比，帮助读者在选型时做出更清晰的判断。

6.1 记忆能力对比

小结：Deep Agent 的记忆体系更完整，覆盖四类记忆并强调写入/遗忘策略；LangGraph 开箱即用地提供短期+长期记忆，情景与语义记忆需自行扩展。

6.2 RAG 能力对比

小结：Deep Agent 将 RAG 的检索、优化、重排、组装作为框架内的一等能力；LangGraph 本身不内置检索算法，而是通过图编排把 LangChain 生态的检索组件串联起来，灵活性更高但需要更多组装工作。

6.3 选型建议

• 快速落地、以对话为主：选 LangGraph，其State+Store开箱即用，配合 LangChain 检索器即可搭建基础 RAG。
• 需要完整记忆体系（情景/语义）：选 Deep Agent，或基于 LangGraph 自行扩展四类记忆。
• 对检索质量有极致要求：两者都需自研或接入混合检索、重排序链路，Deep Agent 内置更省事。
• 深度定制执行流程：LangGraph 的图执行模型更灵活，适合把记忆与 RAG 编排进复杂工作流。

一句话总结：LangGraph 胜在"开箱即用 + 灵活编排"，Deep Agent 胜在"记忆/RAG 能力内置完整"；实际选型取决于你对记忆深度与检索质量的要求。

7. 记忆与 RAG 的协同

记忆与 RAG 并非孤立的技术，二者在 Deep Agent 框架中深度融合：

7.1 记忆增强检索

• 将长期记忆中的用户偏好作为检索的过滤条件，提升个性化。
• 将情景记忆中的历史案例作为检索的扩展来源，丰富上下文。

7.2 RAG 结果写入记忆

• 将 RAG 检索到的高质量知识沉淀到长期记忆中，实现知识积累。
• 将用户的反馈与纠错写入记忆，持续优化后续检索。

7.3 统一的知识管理

8. 实践建议

8.1 技术选型参考

8.2 工程落地要点

• 记忆容量管理：设置合理的记忆上限，避免无限增长导致检索退化。
• 检索质量监控：定期评估检索准确率，及时调整嵌入模型与索引参数。
• 隐私与安全：对敏感记忆数据加密存储，设置访问权限。
• 性能优化：使用缓存、异步写入、批量索引等技术提升系统吞吐。

9. 总结

Deep Agent 框架中的记忆技术为智能体提供了持续学习与上下文感知的能力，涵盖短期记忆、长期记忆、情景记忆与语义记忆等多个层次；RAG 技术则通过向量检索、稀疏检索、混合检索、重排序等环节，让智能体能够动态接入外部知识。二者协同工作，构成了智能体知识管理与决策支持的核心底座。理解并善用这些技术，是构建高质量 Deep Agent 应用的关键一步。