Long-Term Memory
Long-Term Memory（长期记忆）是指AI系统能够跨越多次对话持久保留用户信息、偏好和历史交互的能力，从而提供更个性化和连贯的服务。
一句话解释
Long-Term Memory是AI系统在多次交互中持续保留用户信息、偏好和历史记录的能力，让AI像老朋友一样记住你。它不同于每次对话都从零开始的短期记忆。
为什么会被关注
传统大模型每次对话都是全新的，无法记住用户说过什么，导致重复问年龄、兴趣等基础信息。Long-Term Memory能实现真正的个性化服务，让AI更懂用户，提升用户体验和黏性。
核心逻辑
长期记忆通常通过向量数据库或专门存储模块实现：每次对话结束后，将关键信息（如用户喜好、已完成的任务）转换为向量并持久化存储。下次对话时，系统从数据库中检索相关记忆，注入到提示词或上下文窗口中，让模型“记起”过去。
常见场景
智能客服记住用户上次咨询的产品问题；虚拟助手持续追踪用户的日程安排与偏好；教育AI记住学生已掌握知识和薄弱环节；健康助手长期记录用户的运动与饮食数据，提供个性化建议。
容易混淆的点
长期记忆≠上下文窗口：上下文窗口只保留当前会话中有限的文本，关闭即丢失。长期记忆是跨会话的持久存储。另外，长期记忆并非简单的数据库记录，它需要语义理解与优先级筛选，避免存储冗余或过时信息。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
上下文窗口是大型语言模型（LLM）在单次处理时能够“看到”和参考的文本信息总量。它就像模型的“工作记忆区”，决定了AI能记住多长的对话历史、理解多复杂的文档，是影响模型实际应用效果的核心参数。
向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。