别把你的AI当成金鱼。以下是如何给它长期记忆。

Source: Dev.to

问题：向量孤单

构建 AI 代理很有趣，直到上下文窗口滑动。你花了数小时精心编写系统提示，喂入文档，并进行了一段精彩的对话——随后几分钟，代理就忘记了开头提到的关键依赖。它的记忆像金鱼一样短暂。

RAG（向量数据库）看起来像是解决方案：“它可以访问我的整个代码库！” 实际上，向量数据库本质上是一个高级的 Ctrl + F。它们能找到关键词，却不理解它们之间的关系。如果一个概念分散在多个文件中，标准 RAG 就会失效，因为向量只是孤立的片段，缺少真实记忆的“连接组织”。

解决方案：给 AI 一个“睡眠周期”

不要仅仅把文本丢进数据库，而是实现一个异步处理管道——我称之为 睡眠周期。

摄取

• 推送代码或文档。
• 它会立即向量化，以便快速、短期检索。

整合

• 背景工作者（例如 Redis + BullMQ）醒来，读取新数据，并提取实体和关系。

图谱构建

• 更新知识图谱（GraphRAG）。
• 链接相关组件（例如 “User Service” ↔ “Database Config”），即使它们位于不同文件夹中。

当你稍后查询代理时，它会同时从 向量索引（相似度）和 知识图谱（关系）中提取数据，提供更丰富的长期记忆。

自动化输入（GitHub Action）

我构建了一个在每次推送到 main 时运行的 GitHub Action：

1. 对比差异。
2. 将新代码/文档同步到 MemVault API。
3. 自动触发 “睡眠周期”，让代理保持最新，无需手动干预。

试一试

如果你厌倦了金鱼记忆的代理，试试这种方法吧。

• GitHub Action: https://github.com/marketplace/actions/memvault-sync
• 仓库: https://github.com/jakops88-hub/Long-Term-Memory-API.git

告诉我你对 “睡眠周期” 方法的看法。它是大材小用，还是 RAG 必须走的方向？