一种面向智能体的分层记忆存储与检索的方法、电子设备及存储介质与流程

摘要: 本发明涉及多智能体协同,尤其涉及一种面向智能体的分层记忆存储与检索的方法、电子设备及存储介质。背景技术:1、随着人工智能技术的快速发展,智能体已广泛应用于对话交...
一种面向智能体的分层记忆存储与检索的方法、电子设备及存储介质与流程

本发明涉及多智能体协同,尤其涉及一种面向智能体的分层记忆存储与检索的方法、电子设备及存储介质。

背景技术:

1、随着人工智能技术的快速发展,智能体已广泛应用于对话交互、智能运维、工业控制、个性化服务等多个领域。记忆系统作为智能体的核心组成部分,其性能直接决定了智能体的上下文理解能力、任务执行效率和用户体验。

2、当前智能体记忆系统的主流技术方案主要分为两类:扁平化记忆存储方案与简单分层记忆方案。扁平化记忆存储方案将所有用户交互数据、环境感知数据、任务执行数据无差别存储于单一数据库中,检索时采用全局遍历或关键词匹配的方式,该方案的优点是实现简单,但存在显著缺陷:一是检索效率低,随着数据量的增加,检索时间呈指数级增长;二是缺乏对数据价值的区分,大量无效冗余数据占用存储资源;三是无法适配多任务场景,不同任务对记忆数据的需求差异被忽略。

3、简单分层记忆方案则将记忆划分为短期记忆与长期记忆两层,短期记忆存储近期交互数据,长期记忆存储重要的历史数据,通过定时迁移机制实现两层数据的交互。但该方案仍存在以下关键技术痛点:

4、1、多模态记忆割裂问题:当前智能体的输入数据涵盖文本、语音、图像等多种模态,简单分层方案未考虑不同模态数据的特征差异,导致多模态记忆数据独立存储、无法协同调用,智能体难以形成统一的认知。例如,在智能对话助手场景中,用户发送的文字消息和图片消息被分别存储,当用户询问“刚才那张图里的内容和你说的方案是否一致”时,智能体无法快速关联两种模态的记忆数据。

5、2、记忆调用缺乏任务适配性:简单分层方案的检索策略固定,未结合当前执行任务的类型动态调整检索逻辑。例如,在故障诊断任务中,智能体需要优先检索历史故障案例和解决方案,但现有方案仍按照时间顺序进行检索,导致关键记忆数据的检索优先级不足,任务完成率低。

6、3、用户偏好建模能力不足:现有方案对用户偏好的记忆仅停留在浅层的关键词统计,未构建动态的用户偏好模型,无法实现跨会话的用户偏好延续。例如,用户在上午的会话中表示“偏好简洁的解决方案”,但下午的会话中智能体仍会推送冗长的内容,用户体验差。

7、4、记忆更新机制僵化:简单分层方案的短期记忆向长期记忆的迁移条件固定(如基于存储时长),未考虑数据的重要性和任务关联性,导致部分高价值的短期数据被过早清理,而低价值数据则长期占用存储资源。

8、针对上述痛点,行业内相关研究主要集中在单一维度的优化,如针对多模态数据的特征融合算法、针对检索效率的索引优化技术等,但尚未出现能够整合分层存储、任务感知检索、多模态对齐的一体化智能体记忆系统方案。本发明正是基于此,提出一种全新的智能体分层记忆存储及调用方法,解决现有技术的缺陷。

技术实现思路

1、发明目的:本发明的目的在于克服现有智能体记忆系统存在的多模态记忆割裂、检索缺乏任务适配性、用户偏好建模能力不足、记忆更新机制僵化等技术痛点,提出一种面向智能体的分层记忆存储与检索的方法、电子设备及存储介质。

2、为实现上述目的,本发明提出的一种面向智能体的分层记忆存储与检索的方法,包括如下步骤:

3、s1、将智能体的记忆系统划分为瞬时记忆层、短期记忆层、长期记忆层三级分层架构,各层分别配置差异化的存储容量、数据更新机制和检索优先级;

4、s2、采集文本、语音、图像多模态输入数据,分别提取各模态的特征向量,通过模态特征映射矩阵将各模态特征向量映射至统一特征空间,经特征对齐与加权融合后生成多模态融合记忆向量,存储于所述短期记忆层;

5、s3、识别智能体当前执行的任务类型,根据所述任务类型确定各特征维度的权重系数,按照瞬时记忆层、短期记忆层、长期记忆层的优先级顺序,计算任务特征向量与各层记忆数据向量的加权相似度,输出满足相似度阈值的记忆数据;

6、s4、对各层记忆数据进行价值评估,根据评估结果触发瞬时记忆层向短期记忆层、短期记忆层向长期记忆层的数据迁移,以及低价值数据的淘汰清理。

7、作为一个优选方案,步骤s1中,所述瞬时记忆层的最大存储容量由下式计算:

8、

9、其中,为智能体实时内存分配额度,为单条记忆数据的平均存储大小,为向下取整函数;

10、数据更新采用先进先出策略,当新数据写入导致存储容量达到上限时,最早写入的数据被自动清理;

11、数据在所述瞬时记忆层的最长存储时长为,取值范围为5~15分钟,当数据存储时长达到时触发价值评估,评估通过的数据迁移至所述短期记忆层,未通过的数据直接清理;

12、所述瞬时记忆层的检索优先级系数为。

13、作为一个优选方案,步骤s1中,所述短期记忆层的最大存储容量由下式计算:

14、

15、其中,为记忆系统的总存储容量,为短期记忆层容量占比系数,取值范围为0.4~0.6;

16、数据更新采用权重淘汰策略,为每条记忆数据设置价值权重,当存储容量达到上限时优先淘汰最低的数据;所述价值权重由下式计算:

17、

18、其中,为任务关联度,取值范围为[0,1];为调用频率,取值范围为[0,1];为时效性衰减因子,为时效性衰减系数,取值范围为0.01~0.05,为数据存储时长;、、为权重系数,满足;

19、当数据在所述短期记忆层的存储时长达到,或所述价值权重持续高于阈值时,触发向所述长期记忆层的迁移流程;取值范围为1~7天。

20、作为一个优选方案,步骤s1中,所述长期记忆层的最大存储容量由下式计算:

21、

22、数据更新采用人工审核与自动评估相结合的策略,自动评估通过的数据进入待持久化队列,经人工审核确认后完成持久化存储;自动评估未通过的数据保留30天后自动清理;

23、所述长期记忆层的检索优先级系数为,仅在所述瞬时记忆层和所述短期记忆层均未检索到匹配数据时触发检索。

24、作为一个优选方案,步骤s3中所述任务类型包括:对话交互类、故障诊断类、个性化推荐类、环境监控类、多任务协作类;

25、每类任务对应三个核心特征维度及权重系数、、,其中:

26、对话交互类的核心特征维度为语义相似度、用户意图、上下文关联,对应权重系数为、、;

27、故障诊断类的核心特征维度为故障特征、解决方案匹配度、历史成功率,对应权重系数为、、;

28、个性化推荐类的核心特征维度为用户偏好、内容相关性、推荐反馈,对应权重系数为、、;

29、环境监控类的核心特征维度为监控指标、异常阈值、预警规则,对应权重系数为、、;

30、多任务协作类的核心特征维度为任务优先级、资源占用率、执行依赖,对应权重系数为、、。

31、作为一个优选方案,步骤s3中加权相似度的计算模型为:

32、设待检索的任务特征向量为,记忆库中的数据特征向量为,其中n为特征维度数量,则加权相似度为:

33、

34、其中,为第个特征维度的权重系数,由当前任务类型确定;为第个特征维度的余弦相似度;的取值范围为[0,1]。

35、作为一个优选方案,所述检索的执行流程具体包括:

36、智能体的任务识别模块识别当前任务类型,并提取所述任务特征向量;

37、根据所述当前任务类型获取各特征维度的权重系数;

38、按照所述瞬时记忆层、所述短期记忆层、所述长期记忆层的顺序逐层检索,每层检索时计算所述加权相似度;

39、设定相似度阈值,当某层中存在的数据时,停止检索,输出相似度最高的前条数据,所述取值为3~5。

40、作为一个优选方案,步骤s2中,通过模态特征映射矩阵将各模态特征向量映射至统一特征空间,具体包括:

41、分别提取文本模态语义特征向量、语音模态声学特征向量、图像模态视觉特征向量,其中,,;

42、设定统一特征空间维度为,定义文本、语音、图像模态的特征映射矩阵分别为、、;

43、各模态特征向量通过下式映射至所述统一特征空间:

44、

45、

46、

47、其中,、、分别为文本、语音、图像模态映射后的特征向量,均属于。

48、作为一个优选方案,步骤s2中所述特征对齐具体包括:

49、采用对齐损失函数对所述模态特征映射矩阵进行优化,使同一语义内容的不同模态特征在所述统一特征空间中距离最小;所述对齐损失函数为:

50、

51、其中,为同一语义内容的模态数量,、分别为第i、j种模态映射后的特征向量,为l2范数的平方;

52、通过梯度下降算法最小化所述对齐损失函数,更新所述模态特征映射矩阵。

53、作为一个优选方案,步骤s2中所述加权融合具体包括:

54、对齐后的多模态特征向量通过下式生成多模态融合记忆向量:

55、

56、其中,、、为模态权重系数,满足,其取值由各模态数据的可靠性决定;

57、所述多模态融合记忆向量及其对应的原始数据标签存储于所述短期记忆层,任务感知检索基于所述多模态融合记忆向量进行相似度计算。

58、与现有技术相比,本发明至少具备如下有益效果:

59、解决了多模态记忆割裂问题,实现了文本、语音、图像等多模态记忆的统一存储与协同调用,提升检索准确率。

60、实现了记忆检索的任务适配性,根据任务类型动态调整检索策略,提升任务完成率。

61、降低了存储资源占用率,通过精细化的记忆管理和权重淘汰策略,大幅降低存储资源占用率。

62、本发明的技术方案可广泛应用于智能对话助手、智能运维机器人、个性化推荐引擎、工业智能体等多个领域,具有极强的通用性和可扩展性。

63、本发明的算法模型轻量化,无需依赖高性能硬件,降低了智能体的部署成本,便于大规模推广应用。

64、本发明的记忆系统具备自适应性优化能力,可随着任务负载的变化动态调整参数,提升了智能体的鲁棒性和稳定性。