记忆是 AI 中缺失的层

Source: Dev.to

问题：健忘的交互

想象一下去看一位失忆的顶级医生。每次就诊都必须从头解释所有信息——你的病史、症状、过敏史以及既往治疗。
这正是今天使用 ChatGPT 的感受。模型非常聪明，但它没有关于你是谁的记忆。每次对话都从零开始，失去上下文、目标、模式和偏好。

解决方案：添加记忆

我们将其确定为首要解决的问题——不是让模型更聪明，而是赋予它记忆的能力。

ALLMA 使用 Supabase 与 pgvector 实现语义记忆。每段对话都会被嵌入并存储。当你以后与 ALLMA 对话时，它会在记忆中搜索过去交互的相关上下文。

工作原理

1. 嵌入（Embeddings） – 将每一次对话转化为向量表示。
2. 向量搜索（Vector Search） – 使用 pgvector 找到最相关的历史嵌入。
3. 智能上下文注入（Smart Context Injection） – 将检索到的上下文插入提示中，使模型能够回忆起先前的细节。

难点不在技术本身，而在于决定 记住什么 以及 何时呈现。

好处

• 模式识别 – “你这周已经三次提到对这个项目感到压力——想聊聊真正的原因吗？”
• 目标跟踪 – 记住你的目标并检查进展。
• 个性化导师 – 构建一个关于你的心智模型，随着时间不断丰富，类似于能够连点成线、看到全局的好导师。

行动号召

免费试用： alma.pro