Menu
Article mem0

mem0学习笔记1：ReAct 智能体的记忆困境

Gloary Lei

• 4 min read

如果你正在构建 AI 智能体，你可能已经遇到了一个让人抓狂的问题：智能体似乎患有"阿尔茨海默症"。

它刚刚花了 3 步去搜索某个 API 文档，但 5 分钟后，当你问同样的问题时，它又重新搜索了一遍。它无法记住自己做过什么、学到了什么，更不用说记住用户的偏好了。

这不是某个框架的 bug，这是 ReAct 智能体架构的固有问题。

什么是 ReAct？

在深入记忆问题之前，让我们先理解 ReAct（Reasoning and Acting）范式。

ReAct 是由 Yao 等人在 2022 年提出的一种 Agent 架构模式。它的核心思想是：让 LLM 交替进行"思考"和"行动"。

一个典型的 ReAct 循环

用户：帮我查一下今天纽约的天气，然后推荐合适的穿搭。

Thought 1: 我需要先查询纽约的天气。
Action 1: search_weather(location="New York")
Observation 1: 纽约今天 15°C，多云。

Thought 2: 15°C 比较凉爽，我应该推荐长袖衣物。
Action 2: FINISH
Answer: 今天纽约 15°C，建议穿长袖衬衫和薄外套。

与传统 Agent 的区别：

  • Chain-of-Thought (CoT)：只有思考，没有工具调用。
  • 传统 Agent：只有工具调用，缺少中间推理。
  • ReAct：思维链 (CoT) + 工具调用 (Tool Use) 的完美融合。

ReAct 的记忆问题

ReAct 范式很强大，但它有一个致命缺陷：每次对话都是从零开始。

问题 1：任务遗忘

在多步骤任务中，智能体会忘记之前收集的信息。

# 第 1 次对话
用户：查一下苹果公司的最新股价。
Agent: 执行 search_stock("AAPL") → 得到 $175

# 5 分钟后
用户：刚才那个股价涨了吗？
Agent: 我不知道你说的是什么股票...

因为 LLM 的上下文窗口有限，旧的对话会被丢弃。

问题 2：重复调用工具

没有记忆，智能体无法知道"这个信息我已经查过了"。

用户：帮我分析一下 Python 的装饰器。

Thought: 我需要搜索装饰器的定义。
Action: search("Python decorator definition")
Observation: [得到结果]

Thought: 我还需要举个例子...
Action: search("Python decorator definition")  #  又搜了一遍！

问题 3：用户上下文丢失

智能体无法记住用户的偏好、工作领域、历史决策。

# 对话 1
用户：我是做 AI 开发的，帮我推荐学习资源。
Agent: [推荐了 AI 相关资源]

# 对话 2（新会话）
用户：再推荐一些资源。
Agent:  不知道用户的背景，推荐了通用编程资源...

Mem0：为 ReAct 智能体注入记忆

这就是 Mem0 登场的地方。它不仅仅是一个"数据库"，而是一个 智能记忆层。

技术优势 1：混合存储策略

传统 RAG 只使用向量数据库，但这对于智能体来说不够。

Mem0 的三层架构：

  1. 向量存储 (Vector Store)：语义搜索
    • 问题："用户喜欢什么类型的书？"
    • 答案："用户喜欢科幻和历史类书籍"（模糊匹配）
  2. 图存储 (Graph Store)：结构化关系
    • 问题："Alice 的老板是谁？"
    • 答案："Bob"（精确关系，无幻觉）
  3. SQL/SQLite：历史审计
    • 问题："显示昨天的所有工具调用"
    • 答案：完整的时间序列记录

为什么需要混合？
纯向量数据库可以告诉你"用户可能喜欢科幻"，但无法准确回答"Alice 的团队有几个人"。图数据库则可以精确建模这种关系。

技术优势 2：自动去重与更新

如果智能体今天搜索到"Python 3.12 发布了"，明天又看到"Python 3.13 发布了"，Mem0 不会简单地存储两条记录。

它会：

  1. 检测冲突：这两条信息都是关于"Python 最新版本"。
  2. LLM 决策：3.13 比 3.12 新，应该执行 UPDATE 而不是 ADD。
  3. 更新记录：旧记录被标记为过时或直接删除。

这种"自我修正"能力是静态 RAG 所不具备的。

技术优势 3：与 Agent 框架无缝集成

Mem0 提供了开箱即用的集成：

  • LangChain: 作为 Memory 组件直接插入 AgentExecutor。
  • LlamaIndex: 可以作为 BaseMemory 使用。
  • 自定义框架: 通过简单的 add() 和 search() API 调用。
from mem0 import Memory

memory = Memory()

# 在 ReAct 循环中
memories = memory.search("之前我们搜索过什么？", user_id="alice")
# 将 memories 注入到下一个 Thought 中

下一步是什么？

我们已经理解了问题和解决方案。在 下一篇文章 中，我们将动手实现一个完整的 ReAct 智能体，并逐步加入 Mem0 记忆层。

你将看到：

  • 如何手动实现 ReAct 循环（无框架依赖）
  • 在 Thought 阶段注入记忆
  • 在 Observation 后保存新知识
Share