最近为了搞清楚 Agent Memory 的”结构化”路线,回头补了知识图谱和记忆网络的经典工作,梳理一下两者的谱系关系。
知识图谱:显式的关系表示
知识图谱用三元组 $(h, r, t)$ 表达事实:头实体、关系、尾实体。它的强项在于:
- 可解释:每条知识都有明确来源和结构;
- 可推理:支持沿关系做多跳查询;
- 可编辑:增删改一条知识不影响其他部分。
弱点也很明显:构建成本高,且难以覆盖模糊的、语境相关的知识。
记忆网络:可微分的读写
Memory Networks 和后来的 Neural Turing Machine 走的是另一条路:把记忆做成一个可微分的矩阵,用注意力机制读写。
读取: o = Σ softmax(q · k_i) v_i
写入: 按注意力权重更新记忆槽位
这条路线的贡献在于让”记忆的使用”可以端到端学习,不需要人工设计检索规则——这正是今天 NapMem 那类工作的思想源头。
两条路线的合流
近两年 Agent Memory 的Structured 方向,本质上是两条路线的合流:
| 路线 | 代表 | 记忆形态 | 检索方式 |
|---|---|---|---|
| 图谱派 | GraphRAG、FluxMem | 显式节点与边 | 子图抽取 |
| 网络派 | Memory Networks | 可微分槽位 | 注意力 |
| 混合派 | 多数现代方案 | 向量 + 结构 | 相似度 + 关系过滤 |
我的体会是:纯向量检索是”没有结构的记忆”,纯图谱是”没有弹性的记忆”,实用的系统几乎都在中间地带——用向量做粗筛,用结构做组织和推理。
对自己的启发
做毕设的对话式检索系统时,我用的就是纯向量方案,当时最大的痛点正是”记住了但关系丢了”。如果重来一次,我会给每个记忆条目加上显式的关系边——哪怕只有”因果”和”时序”两种,检索质量也会好不少。
