為 AI 智能體設計記憶機制：揭秘 LinkedIn 的認知記憶智能體

作者 | Leela Kumili

譯者 | 明知山

LinkedIn 推出認知記憶智能體（Cognitive Memory Agent，CMA），作為其生成式 AI 技術棧的組成部分，旨在構建具備狀態(tài)感知與上下文理解能力的 AI 系統(tǒng)，使其能夠在交互過程中留存并復用知識。該系統(tǒng)主要用于支撐招聘助手（Hiring Assistant）等應用，解決了大語言模型工作流中的一個核心問題：缺乏狀態(tài)記憶，進而導致無法跨會話保持連貫交互。

CMA 充當應用智能體與底層語言模型之間的共享記憶基礎設施層。應用智能體無需通過重復提示詞來重建上下文，而是通過這套專用系統(tǒng)來實現(xiàn)記憶的持久化存儲、檢索與更新。這既實現(xiàn)了跨會話連貫的交互，減少了冗余推理，也能在用戶上下文持續(xù)變化的生產(chǎn)環(huán)境中提供更優(yōu)質(zhì)的個性化體驗。

會話記憶層示意圖（來源：LinkedIn 博客文章）

該架構將記憶劃分為三個不同層級。情景記憶（Episodic memory）用于捕獲交互歷史與對話事件，讓智能體能夠回憶過往的交流內(nèi)容。語義記憶（Semantic memory）存儲從交互中提煉出來的結構化知識，支持對用戶、實體及偏好等持久化信息進行推理。程序記憶（Procedural memory）對已習得的工作流程與行為模式進行編碼，幫助智能體優(yōu)化任務執(zhí)行策略。三層記憶協(xié)同作用，使智能體的行為從單次響應升級為長期自適應演進。

LinkedIn 工程師 Xiaofeng Wang 在一篇帖子中指出：

記憶是構建生產(chǎn)級智能體最具挑戰(zhàn)性、同時也最具價值的核心模塊之一，它能夠?qū)崿F(xiàn)真正的個性化、交互連續(xù)性與規(guī)模化適配。

CMA 在多智能體系統(tǒng)中同樣扮演著關鍵角色。與讓每個智能體各自維護獨立上下文不同，CMA 提供了一個共享記憶底座，讓負責規(guī)劃、推理與執(zhí)行的各類專業(yè)智能體可以共同訪問。這一共享層減少了狀態(tài)冗余，提升了協(xié)作效率，并確保分布式工作流輸出結果的一致性。

從系統(tǒng)層面來看，CMA 集成了多種檢索與生命周期管理機制。近期上下文檢索用于保障短期相關性，語義搜索則支持對長期歷史交互的調(diào)取。通過摘要進行記憶壓縮有助于控制存儲容量增長，并在規(guī)模化場景下維持系統(tǒng)的性能。這些機制也帶來了關鍵的工程挑戰(zhàn)，包括相關性排序、過期內(nèi)容管理以及不斷演變的用戶上下文的一致性維護。

LinkedIn 杰出工程師 Karthik Ramgopal 強調(diào)了智能體系統(tǒng)向持久化上下文轉(zhuǎn)型的重要性，他表示：

優(yōu)秀的智能體 AI 不是無狀態(tài)的：它會記憶、適應與積累。實現(xiàn)這一目標的核心能力之一便是突破上下文窗口限制的記憶能力。

在運營層面，持久化記憶系統(tǒng)帶來了分布式系統(tǒng)中經(jīng)典的權衡問題。確定需要存儲哪些內(nèi)容、何時進行檢索以及如何處理過期數(shù)據(jù)已成為保障系統(tǒng)正確性的核心問題。

MLOPS 數(shù)據(jù)工程師 Subhojit Banerjee 強調(diào)：

緩存失效是計算機科學中公認的難題之一，很高興你們明確提出了這一點。提取這類記憶的挑戰(zhàn)在于如何準確識別情景邊界、處理內(nèi)容時效性和解決沖突。

在招聘等面向用戶的應用場景中，LinkedIn 還將人工校驗融入工作流程。這種人機結合的方式能夠確保 AI 生成內(nèi)容始終貼合用戶意圖與業(yè)務需求，尤其適用于高風險決策場景。

CMA 體現(xiàn)了 AI 系統(tǒng)從無狀態(tài)生成向有狀態(tài)、記憶驅(qū)動的智能體這一更廣泛的架構轉(zhuǎn)變。LinkedIn 將 CMA 定位為構建自適應、個性化、協(xié)作式智能體系統(tǒng)的橫向平臺。這一方向也凸顯出業(yè)界日益增長的共識：生產(chǎn)級 AI 系統(tǒng)并非僅由模型決定，而是由圍繞模型構建的記憶、上下文管理及基礎設施層共同定義。

查看英文原文：

https://www.infoq.com/news/2026/04/linkedin-cognitive-memory-agent/

聲明：本文為 InfoQ 翻譯，未經(jīng)許可禁止轉(zhuǎn)載。