作者 | Leela Kumili

譯者 | 明知山

LinkedIn 推出認(rèn)知記憶智能體（Cognitive Memory Agent，CMA），作為其生成式 AI 技術(shù)棧的組成部分，旨在構(gòu)建具備狀態(tài)感知與上下文理解能力的 AI 系統(tǒng)，使其能夠在交互過(guò)程中留存并復(fù)用知識(shí)。該系統(tǒng)主要用于支撐招聘助手（Hiring Assistant）等應(yīng)用，解決了大語(yǔ)言模型工作流中的一個(gè)核心問(wèn)題：缺乏狀態(tài)記憶，進(jìn)而導(dǎo)致無(wú)法跨會(huì)話(huà)保持連貫交互。

CMA 充當(dāng)應(yīng)用智能體與底層語(yǔ)言模型之間的共享記憶基礎(chǔ)設(shè)施層。應(yīng)用智能體無(wú)需通過(guò)重復(fù)提示詞來(lái)重建上下文，而是通過(guò)這套專(zhuān)用系統(tǒng)來(lái)實(shí)現(xiàn)記憶的持久化存儲(chǔ)、檢索與更新。這既實(shí)現(xiàn)了跨會(huì)話(huà)連貫的交互，減少了冗余推理，也能在用戶(hù)上下文持續(xù)變化的生產(chǎn)環(huán)境中提供更優(yōu)質(zhì)的個(gè)性化體驗(yàn)。

會(huì)話(huà)記憶層示意圖（來(lái)源：LinkedIn 博客文章）

該架構(gòu)將記憶劃分為三個(gè)不同層級(jí)。情景記憶（Episodic memory）用于捕獲交互歷史與對(duì)話(huà)事件，讓智能體能夠回憶過(guò)往的交流內(nèi)容。語(yǔ)義記憶（Semantic memory）存儲(chǔ)從交互中提煉出來(lái)的結(jié)構(gòu)化知識(shí)，支持對(duì)用戶(hù)、實(shí)體及偏好等持久化信息進(jìn)行推理。程序記憶（Procedural memory）對(duì)已習(xí)得的工作流程與行為模式進(jìn)行編碼，幫助智能體優(yōu)化任務(wù)執(zhí)行策略。三層記憶協(xié)同作用，使智能體的行為從單次響應(yīng)升級(jí)為長(zhǎng)期自適應(yīng)演進(jìn)。

LinkedIn 工程師 Xiaofeng Wang 在一篇帖子中指出：

記憶是構(gòu)建生產(chǎn)級(jí)智能體最具挑戰(zhàn)性、同時(shí)也最具價(jià)值的核心模塊之一，它能夠?qū)崿F(xiàn)真正的個(gè)性化、交互連續(xù)性與規(guī)?；m配。

CMA 在多智能體系統(tǒng)中同樣扮演著關(guān)鍵角色。與讓每個(gè)智能體各自維護(hù)獨(dú)立上下文不同，CMA 提供了一個(gè)共享記憶底座，讓負(fù)責(zé)規(guī)劃、推理與執(zhí)行的各類(lèi)專(zhuān)業(yè)智能體可以共同訪(fǎng)問(wèn)。這一共享層減少了狀態(tài)冗余，提升了協(xié)作效率，并確保分布式工作流輸出結(jié)果的一致性。

從系統(tǒng)層面來(lái)看，CMA 集成了多種檢索與生命周期管理機(jī)制。近期上下文檢索用于保障短期相關(guān)性，語(yǔ)義搜索則支持對(duì)長(zhǎng)期歷史交互的調(diào)取。通過(guò)摘要進(jìn)行記憶壓縮有助于控制存儲(chǔ)容量增長(zhǎng)，并在規(guī)?；瘓?chǎng)景下維持系統(tǒng)的性能。這些機(jī)制也帶來(lái)了關(guān)鍵的工程挑戰(zhàn)，包括相關(guān)性排序、過(guò)期內(nèi)容管理以及不斷演變的用戶(hù)上下文的一致性維護(hù)。

LinkedIn 杰出工程師 Karthik Ramgopal 強(qiáng)調(diào)了智能體系統(tǒng)向持久化上下文轉(zhuǎn)型的重要性，他表示：

優(yōu)秀的智能體 AI 不是無(wú)狀態(tài)的：它會(huì)記憶、適應(yīng)與積累。實(shí)現(xiàn)這一目標(biāo)的核心能力之一便是突破上下文窗口限制的記憶能力。

在運(yùn)營(yíng)層面，持久化記憶系統(tǒng)帶來(lái)了分布式系統(tǒng)中經(jīng)典的權(quán)衡問(wèn)題。確定需要存儲(chǔ)哪些內(nèi)容、何時(shí)進(jìn)行檢索以及如何處理過(guò)期數(shù)據(jù)已成為保障系統(tǒng)正確性的核心問(wèn)題。

MLOPS 數(shù)據(jù)工程師 Subhojit Banerjee 強(qiáng)調(diào)：

緩存失效是計(jì)算機(jī)科學(xué)中公認(rèn)的難題之一，很高興你們明確提出了這一點(diǎn)。提取這類(lèi)記憶的挑戰(zhàn)在于如何準(zhǔn)確識(shí)別情景邊界、處理內(nèi)容時(shí)效性和解決沖突。

在招聘等面向用戶(hù)的應(yīng)用場(chǎng)景中，LinkedIn 還將人工校驗(yàn)融入工作流程。這種人機(jī)結(jié)合的方式能夠確保 AI 生成內(nèi)容始終貼合用戶(hù)意圖與業(yè)務(wù)需求，尤其適用于高風(fēng)險(xiǎn)決策場(chǎng)景。

CMA 體現(xiàn)了 AI 系統(tǒng)從無(wú)狀態(tài)生成向有狀態(tài)、記憶驅(qū)動(dòng)的智能體這一更廣泛的架構(gòu)轉(zhuǎn)變。LinkedIn 將 CMA 定位為構(gòu)建自適應(yīng)、個(gè)性化、協(xié)作式智能體系統(tǒng)的橫向平臺(tái)。這一方向也凸顯出業(yè)界日益增長(zhǎng)的共識(shí)：生產(chǎn)級(jí) AI 系統(tǒng)并非僅由模型決定，而是由圍繞模型構(gòu)建的記憶、上下文管理及基礎(chǔ)設(shè)施層共同定義。

查看英文原文：

https://www.infoq.com/news/2026/04/linkedin-cognitive-memory-agent/

聲明：本文為 InfoQ 翻譯，未經(jīng)許可禁止轉(zhuǎn)載。