RAG 的前世今生：AI Agent 的记忆真相

最近看了一些关于 RAG 的论文，以及一篇讲「从 RAG 到 Agentic RAG 再到 Agent Memory 的演进历程」的博客。

一直都有听说 RAG 已死，于是有了 Agentic RAG。刚搞明白 Agentic RAG，又出现了 Agent Memory。于是我就有了以下问题：

• RAG 是不是已经过时了？是不是已死？
• Agentic RAG 和 Agent Memory 到底有什么区别？
• Agent Memory 究竟是啥？它和 RAG 是替代关系吗？

这篇文章就是我在解决以上疑惑过程中所整理出来的。

一、RAG → Agentic RAG → Agent Memory

RAG 1.0：Naïve RAG

首先，RAG 并没有死，它是这一切的基石。先回忆一下朴素 RAG 是什么：

LLM 已有知识是旧的（训练完就定了），而且它不知道具体某公司的内部文档。RAG 就相当于给它一本参考书，通过检索外部知识来增强 LLM 的回答。

工作流是这样的：线下先把文档资料存入知识库（比如向量数据库）；线上用户提问后，系统必须先去知识库里搜相关资料（单步检索），把搜到的资料和用户问题一起扔给 LLM，LLM 参考着回答。

这就好比开卷考试，LLM 每回答一个问题，就必须翻一次书。

局限性：这种 RAG 是静态、单步的。它有些傻，不管问题复不复杂，都只会翻一次书，而且是只读的，无法在对话中学习新东西。

RAG 2.0：Agentic RAG

Agentic RAG 是 RAG 的第一次重大升级，核心是引入了自治智能体。LLM 不再是被动的，它变成了一个会主动思考、会规划、会用工具的研究助理。

以「帮我查查苹果公司最近的财报，并总结下市场反应」为例，工作流变成了：

1. Agent 开始思考和规划：这个任务得分两步，先搜财报，再搜市场反应。
2. Agent 调用工具执行「搜索苹果财报」。
3. Agent 反思：财报拿到了，现在执行第二步。
4. Agent 再次调用工具执行「搜索市场对苹果财报的反应」。
5. 汇总所有多轮检索到的信息，生成最终答案。

和 RAG 1.0 的核心区别在于：RAG 1.0 是「必须搜，搜一次」，Agentic RAG 是「Agent 自己决定搜不搜、搜几次、用什么工具搜」，检索变成了动态的、多步的。

但请注意：Agentic RAG 核心解决的是「读」的问题。它让读变得更智能、更动态了，可本质上还是只读的（知识库仍然是离线预加载的）。它在对话中了解到的新信息，对话结束了就忘了。

RAG 3.0？：Agent Memory

如果说 Agentic RAG 是一个出色的研究助理（会查资料），那么 Agent Memory 就是一个能记住你、持续学习的私人管家。

核心定义：Agent Memory 是指智能体具备调用工具读写外部知识库的能力，让模型能在对话中记住新的信息。

和 Agentic RAG 最大的区别就一个字：写。Agent Memory 不仅有搜索工具（读），它还有了存储、写入、更新工具。

举个例子：

用户：我下周要去上海出差，帮我规划下。 Agent：（调用工具规划）好的，已规划。顺便问下，你有什么饮食偏好吗？ 用户：哦对了，我海鲜过敏，千万别安排海鲜。 Agent：（思考「这是个重要信息」→ 调用 WriteTool.store("用户偏好：海鲜过敏")）

下次对话时：

用户：帮我推荐几个北京的餐厅。 Agent：（思考「先查查用户有啥偏好」→ 调用 SearchTool.search("用户偏好") → 检索到「海鲜过敏」） Agent：好的，已为您筛选了北京的几家餐厅，并自动排除了所有海鲜餐厅。

通过动态的读写外部记忆，实现持续学习和个性化，让 LLM 成为有长期记忆的智能体，能跨会话累积经验。

二、举例：一个智能客服的进化史

阶段一：Naïve RAG（基础问答机器人）

这个阶段的客服机器人就像一个只会照着说明书念的员工。知识库是静态的（产品手册、退货政策、发货时间表），并且它总是先查资料再回答。

用户问「你好，我想退货」，系统会强制检索，命中「退货政策」文档，把检索到的片段和问题一起交给 LLM 生成答案。

局限性有两个：

• 答非所问：如果用户问「我的订单到哪了？」，LLM 去静态知识库里检索，找不到实时物流信息，可能会回复一个关于标准发货时间的通用答案，而不是用户想要的实时状态。
• 无法处理多任务：用户问「我的 A 订单什么状态？顺便帮我看看 B 产品有没有货？」，它会很困惑，可能只能回答第一个问题，或者两个都答不好。

阶段二：Agentic RAG（多功能工具助理）

这个阶段的客服机器人升级成了一个聪明的助理。它拥有多种工具，会思考该用哪个工具、甚至是否需要用工具。但它的知识库本身仍然是只读的。

可用的工具包括 KnowledgeBaseSearch（搜索静态政策和说明书）、OrderTrackingAPI（实时查询订单物流）、InventoryCheckAPI（实时查询库存）。

面对「我的 A 订单到哪了？顺便帮我看看 B 产品有没有货？」，它会先思考出这是两个问题，分别调用两个 API，再整合成一个完整答案。

局限性：没有记忆。如果用户接着说「以后请叫我晨光，并且我只在工作日收货」，它会回答「好的」，但下次对话时会忘得一干二净，因为它没有写入新信息的能力。它只是一个出色的信息查询员。

阶段三：Agent Memory（专属私人管家）

这是目前最先进的阶段。客服机器人不仅拥有 Agentic RAG 的所有能力，还额外获得了写入工具，开始学习和记忆用户的偏好和历史。

工具列表在只读工具之外，多了 MemoryTools.Search(user_id) 和 MemoryTools.Write(user_id, info)。

场景 A：用户提出偏好

用户：以后请叫我「晨光」，并且我只在工作日收货。 Agent：（思考「用户提出了两个关键偏好，需要记下来」） → MemoryTools.Write(user_id="123", info="Nickname: 晨光") → MemoryTools.Write(user_id="123", info="DeliveryPreference: workdays_only") Agent：好的，晨光。我记住了，以后会尽量安排在工作日为您配送。

场景 B：几天后的下一次对话

用户：你好，帮我查下我上次买的那个耳机型号。 Agent：（思考「用户开始了新对话，我应该先回忆一下关于她的信息」） → MemoryTools.Search(user_id="123") 返回昵称和配送偏好 → OrderTrackingAPI(user_id="123", history_limit=1, type="headphones") Agent：您好，晨光！我查到您上次购买的耳机型号是 M-Tech 降噪耳机 Pro。

三、灵魂拷问：三者到底什么关系？

RAG 死了吗？ 没有。RAG 是地基。Agentic RAG 把 RAG 变成了它工具箱里一个更智能的工具；Agent Memory 则在 Agentic RAG 的基础上，又增加了一个写入工具。

Agentic RAG vs Agent Memory？

• Agentic RAG = 动态只读，重点在 Agent 如何更聪明地检索信息。
• Agent Memory = 动态读 + 动态写，重点在 Agent 如何管理信息。

结论是：Agent Memory 吸收 RAG 能力，把它当作记忆读写的一部分工具来用，但不会废弃 RAG。尤其在涉及海量文档检索或信息密度很高的企业场景下，RAG 的向量检索仍然是不可替代的底层能力。

四、Agent Memory，没那么简单

那 Agent Memory 不就是加个写入吗？其实，真正的挑战不在于写入这个动作本身，而在于写入之后带来的一整套复杂的记忆管理难题。

1、决定记什么——写入策略

「你好」「哈哈」「嗯」这种无关紧要的词语不能全记下来，如果无序地记录一切，会导致记忆冗余和上下文污染。

必须有智能的触发式写入：Agent 要学会判断什么是重要事实（如「海鲜过敏」「称呼：晨光」），或者采用摘要写入机制，只存储对话摘要而非全部记录。

2、决定怎么读——读取策略

用户的记忆库越来越大，当用户说「老样子」时，Agent 如何在成千上万条记忆中，精准找出「老样子」指的是「拿铁少冰」还是「周五下午开会」？

这需要高效的检索，比如结合向量语义检索、重要性评分、新近度评分等。斯坦福的 Generative Agents 研究提出了「新近度 + 重要性 + 相关性」的三重检索评分机制。

3、决定何时忘——遗忘策略

一个只记不忘的 Agent 是灾难性的。如果用户搬家了，Agent 却还记着旧地址怎么办？如果信息冲突了怎么办？

常见的遗忘机制包括：

• 时间衰减：临时信息（如验证码）到期自动删除。
• 使用频率：长期不用的记忆被淘汰，类似 LRU 策略。
• 重要度：模型评估为不重要的信息被丢弃。
• 人工干预：允许用户一键忘记，满足 GDPR 等隐私法规。

4、隐私与安全——记忆的保险箱

记住「晨光」是小事，如果 Agent 记住了用户的身份证号、银行卡、家庭住址呢？这带来了巨大的隐私合规风险和记忆错乱的可能，需要严格的权限控制、数据加密以及用户授权机制。

从 Agentic RAG 到 Agent Memory，最大的挑战，是从一个无状态的查询工具，进化为一个有状态的持久化系统。这个系统必须具备一套完整的「写—读—忘」循环策略，以确保记忆是高效、准确、安全且有用的。

总结：RAG 在进化，而非死亡

• RAG 1.0（Naïve RAG）：静态的开卷考试，解决了 LLM 的知识局限性（只读）。
• RAG 2.0（Agentic RAG）：聪明的研究助理，解决了 RAG 1.0 检索过程太死板的问题（智能读）。
• RAG 3.0（Agent Memory）：会学习的私人管家，解决了 Agent 无法记住新信息、无法实现个性化的问题（智能读 + 智能写）。

所以，RAG 远没有「已死」，它们三者将共同存在，构成更强大的「知识 + 记忆 + 推理」一体化代理，支撑着 Agent 走得更远。