拟人化记忆最佳实践
一、功能介绍
1. 从认知科学理解记忆
记忆是对信息进行编码、保持和提取的能力。它不仅帮助我们回想过去，也支持当前的理解与思考，以及未来意图的执行。在智能生命体的“感知—认知—记忆—行动”框架中，记忆负责积累和提供内容，让交流与行动能够利用已有经验。
认知科学中的记忆系统通常涉及感觉记忆、工作记忆和长期记忆，其含义、例子与典型保持时间如下表所示。
| 记忆类型 | 是什么 | 例子 | 典型保持时间 |
|---|---|---|---|
| 感觉记忆（Sensory Memory） | 极短暂地保留刚接收到的感官信息 | 刚听到的声音短暂留在脑海中 | 毫秒至数秒，因感官类型而异 |
| 工作记忆（Working Memory） | 保持并加工当前任务所需的信息 | 比较两家酒店的位置与价格 | 秒级的短暂保持，可通过注意与复述持续维持 |
| 长期记忆（Long-Term Memory） | 保存经历、知识和技能 | 记得出差经历、知道城市名称、会骑自行车 | 可持续数天、数年，甚至终生 |
长期记忆可进一步分为陈述性／显性记忆和非陈述性／隐性记忆，常见形式如下。
| 分类 | 分类含义 | 常见形式 | 例子 |
|---|---|---|---|
| 陈述性／显性记忆 | 可以有意识地回想、陈述的经历与知识 | 情景记忆（Episodic Memory）：“我经历过什么” | 上次去深圳出差时的经历 |
| 陈述性／显性记忆 | 可以有意识地回想、陈述的经历与知识 | 语义记忆（Semantic Memory）：“我知道什么” | 知道深圳是一座城市 |
| 非陈述性／隐性记忆 | 通过技能表现等方式体现，不依赖有意识的回想 | 程序性记忆（Procedural Memory）：“我会怎么做” | 会骑自行车、会打字 |
另一个重要的功能型概念是前瞻记忆（Prospective Memory）：在未来恰当的时间或情境下，记得执行原先的意图。
1前瞻记忆 Prospective Memory：“未来记得要做什么”
2│
3├── 时间型 Time-based
4│ └── 到某个时间记得做：例如，晚上八点给家人打电话
5│
6└── 事件型 Event-based
7 └── 遇到某个事件记得做：例如，见到同事时转交资料前瞻记忆按功能描述“何时想起要做的事”，会涉及意图的保持、线索识别与执行，因此不作为与感觉、工作、长期记忆并列的存储类别。
2. 本系统提供哪些记忆能力
拟人化记忆主要围绕长期信息的积累与使用，以及面向未来需求的前瞻信息展开。系统从自然对话中提炼事件、事实和计划，逐步形成画像，并在后续相关交流中提供给模型参考，让智能体能够接上以前的话题、理解用户的偏好。
例如，用户在长期交流中多次提到自己睡眠较浅、选酒店时关注安静程度和交通。本次又说：“下周三去深圳出差，周五回来，主要去科技园。机票订好了，酒店还没选。”围绕这些信息，系统提供以下能力：
| 系统能力 | 记住什么 | 对交流的帮助 | 回复示例 |
|---|---|---|---|
| 人物画像 | 用户长期的属性、习惯与偏好 | 让回复更符合用户习惯 | “你比较看重安静，可以优先考虑远离主干道的酒店。” |
| 情景记忆 | 之前交流过的内容 | 接续历史话题，减少重复询问 | “你之前说下周三去深圳、周五回来，机票已经订好了。” |
| 前瞻记忆 | 根据计划和当前状态提炼的潜在需求 | 在交流中提示可能需要关注的事项 | “你之前提到酒店还没订，要不要一起看看？” |
智能体会综合这些信息生成回复，让交流既能延续之前的话题，也能照顾用户偏好，并适时提出帮助。
二、快速接入
步骤总览
创建智能体时开启拟人化记忆，随后正常对话即可。记忆的生成、检索与使用由系统自动完成。
| 步骤 | 接入方或用户做什么 | 系统做什么 |
|---|---|---|
| ① 开启记忆 | 创建智能体时，开启拟人化记忆能力 | 开启拟人化记忆能力，允许记忆构建和检索 |
| ② 对话积累 | 通过语音或文本正常交流 | 从对话中逐步提炼记忆、形成画像 |
| ③ 对话使用 | 在后续交流中正常提问 | 检索相关记忆，结合画像与上下文生成回复 |
1. 创建智能体
创建智能体（即大模型互动实例）时，在 config 中配置 human.memory.enable_humanized_memory，开启拟人化记忆能力。
1.1 接口
1POST /api/v1/aiagent/generateAIAgentCall
2Host: rtc-aiagent.baidubce.com鉴权、完整请求参数和响应说明见《创建大模型互动实例》。
1.2 关键请求参数
| 字段 | 类型 | 说明 |
|---|---|---|
app_id |
String | 大模型互动应用 ID |
config |
String | 实例配置，须将 JSON 对象序列化为字符串后传入 |
config.user_id |
String | 业务侧设备标识；后续使用同一设备的记忆时应保持一致 |
config.human.memory.enable_humanized_memory |
Boolean | 设为 true，开启拟人化记忆检索并将结果用于回答 |
表中的 config.xxx 表示 config 字符串内部的配置字段，不是请求体顶级字段。语言、模型、TTS 等其他配置按业务需要合并，详细说明见上述接口文档。
1.3 请求示例
以下展示请求体，替换应用 ID 和设备标识后，按接口要求添加鉴权信息并发送：
1{
2 "app_id": "yourAppId",
3 "config": "{\"user_id\":\"enterprise-1-toy-1\",\"human\":{\"memory\":{\"enable_humanized_memory\":true}}}"
4}2. 通过自然对话积累信息
用户通过现有语音或文本对话入口表达即可，不需要额外调用记忆写入接口，也不需要说固定口令。
用户：下周三去深圳出差，周五回来，主要去科技园。机票订好了，酒店还没选。 用户：我睡眠比较浅，出差选酒店比较看重安静和交通方便。 系统会自动提炼适合形成记忆的信息，画像则随着有效交流逐步迭代。
3. 提问并体验回复
后续交流时直接提问即可。系统会根据当前问题自动检索相关记忆，结合画像和对话上下文生成回复，无需用户主动发起检索或复述全部背景：
| 用户问题 | 智能体可以参考什么 | 回复效果示意 |
|---|---|---|
| “我去深圳的安排是什么？” | 出差时间、地点和已完成的安排 | “你计划周三去、周五回，主要前往科技园，机票已经订好。” |
| “选酒店有什么建议？” | 科技园行程及安静、交通方便的偏好 | “可以优先考虑科技园附近交通方便、环境安静的酒店。” |
三、画像自定义操作
自动生成的画像可能与实际情况有偏差，系统默认生成画像的维度也可能不满足需求。此时，可以通过 HTTP API 查看和调整画像。
目前支持设备画像的查询、写入、按维度删除及清空，以及画像维度（category）的查询、添加、移除及清空。 画像在实例启动时加载。对话中新生成或通过 API 修改的画像，会在后续新实例启动时加载并用于回答。
具体参数和调用示例，请参阅《记忆管理 API》。
四、常见疑问
为什么刚说过，智能体还没记住？
记忆提炼和画像生成是异步过程，不保证刚说完立即可用。可在后续会话中围绕相关信息提问，体验记忆效果。回答未提及某条信息，也可能是该信息未被召回或未被模型采用，不代表没有保存。
为什么以前聊过的事情，这次回答没有提到？
系统只检索与当前问题相关的记忆。可以补充事件、地点或时间再问，例如“我说的深圳出差安排是什么”。
实例结束后，下次还能使用之前的记忆吗？
可以，已生成并保存的记忆可在后续会话中继续检索。
有前瞻记忆就会自动提醒吗？
不会。前瞻记忆用于理解用户近期可能需要的帮助，不会自动创建提醒或执行任务。
通过 API 写入的画像，会被后续对话自动覆盖吗？
通过 API 写入的画像维度不会被后续对话自动覆盖，其他维度仍可自动更新。需要修改已写入维度时，再次调用画像写入接口即可。
添加自定义画像维度后，默认维度还会保留吗？
不会自动保留。系统使用应用级与设备级自定义维度的合并结果，需要的默认维度也应一并加入；两级自定义配置均为空时，恢复使用默认维度。
评价此篇文章