跨国深谈← 返回←让智能体的记忆变成真正能用的技能

让智能体的记忆变成真正能用的技能

关联

人物 Will Lyon

公司 Neo4j

概念 智能体 · 智能体记忆 · 上下文图 · 知识图谱 · 推理记忆 · 技能 · APE · NAMS · 技能蒸馏 · 技能治理

智能体跑完一个任务，学到的东西常常转头就忘。

Neo4j 的产品经理 Will Lyon 在这场演讲里说，今天的记忆系统大多只是把文本存起来、用时捞回来，但这远远不够——智能体需要的是能行动的知识，最好还能把经验自动沉淀成可复用的技能。

为什么能想起来不等于会用

现在的记忆系统基本一个套路：把文本切成小块存起来，检索时找最相关的几块塞进上下文，指望智能体自己想明白。

问题是，回忆不等于可行动的知识。

一个典型麻烦是缺少统一的同一事物表示。

比如 Nguyen 医生，在不同对话里可能被叫成 Robert N. Nguyen、心脏科医生、Nguyen 大夫——系统不知道这是同一个人。

所以智能体需要的知识必须是连接的、有类型的、可追溯的，而不只是可检索的 。

记忆分三种，推理过程也要存下来

Neo4j 把智能体记忆看成一个连接的图，分短期、长期和推理记忆三类。前两种好理解：对话消息和从中抽出的实体。

第三种是他们特别强调的——把智能体的推理过程当作一等公民存下来。

具体说，就是记录决策痕迹：每个决策关联着证据、调用了哪些工具、结果如何，甚至烧了多少 token、花了多少时间 。

这样，成百上千个共享同一批工具的智能体，就能互相学习经验，共享一张上下文图。

从记忆图里蒸馏出技能

光有记忆还不够，下一步是把经验变成技能。

技能是 Anthropic 提出的开放标准：一段描述加上渐进式披露的详细文档，打包后可以在不同智能体间复用。

但技能也有老毛病——都是文本，说不清是不是在谈同一件事。

Neo4j 研究团队为此发表了名为 APE 的研究，把技能表示成带严格模式的类型化执行图，每一步是一个节点 。

在 SkillsBench 基准测试上，这套方法让任务完成率显著提升。

他们的思路是：从某个工作范围的记忆图出发（一段对话、某个实体周围的子图），蒸馏出一个技能。

要求很明确：步骤要有真实数据支撑、流程确定性、可长期治理——底层数据变了，技能要能感知到过期了。

光有依据还不够，还得检查跑没跑题

技能生成前有几道启发式检查。覆盖度：技能里的步骤和描述是否处处有数据支撑。

连贯性更有意思：如果发现喂进去的内容横跨多个主题，系统会建议你拆成多个技能。

治理上，用社区发现这类图算法判断主题混杂，配合一个技能注册表，随时给任何智能体发最新版本，并标记过期或漂移的技能 。

整个生成管线有 7 个阶段，大部分是确定性步骤，大模型只负责合成部分描述文本 。

免费服务已上线，现场演示了一遍

这些想法做成了 Neo4j Agent Memory Service（简称 NAMS），属于 Neo4j Labs 项目，目前免费，任何人都可以注册试用。它提供 REST API 和 MCP 工具，后台自动做实体抽取、技能蒸馏和治理。

现场演示中，Lyon 用一个医疗本体（就诊、医生这类实体）导入了一批对话，然后从一段患者接诊对话蒸馏技能：

系统自动抽出了从接诊到病历归档的全部步骤，每一步都关联着真实的工具调用和实体，最后打包成标准的技能文件 。

一句话总结这场演讲：

智能体的记忆不该只是越堆越多的文本，而应该是一张结构化的图——既能追溯每个决策的来龙去脉，也能把成功经验自动提炼成别人能直接用的技能。

本集带走

• 只做检索的记忆不够用：智能体需要连接、有类型、可追溯的知识，核心难题是给同一事物建立统一表示。
• 推理记忆是关键一环：把决策、工具调用、成本等决策痕迹存进图里，多个智能体可以互相学习。
• 技能可以从记忆图里自动蒸馏：以图的方式表示技能（Neo4j 的 APE 研究），在基准测试中显著提高了任务完成率。
• 技能需要治理：底层数据变化时能检测到技能过期，用连贯性检查决定是否拆分。
• Neo4j 的 NAMS 服务目前免费开放，把这些模式做成了可试用的产品。

有时我觉得我们可能处于某种失忆循环中，对吧？我们的智能体经历推理阶段、行动，成功完成了一些任务，但随后就有点忘记了它们学到的东西。
Sometimes I feel like we’re in maybe like an amnesiac loop, right? Where our agents go through this reasoning phase, acting, they successfully complete some task, but then kind of forget what they’ve learned.
—— Will Lyon · [00:41]

所以，智能体真正需要的是既相互连接、有类型、又可追溯的知识，而不仅仅是可检索的。
So really, agents need knowledge that is both connected, typed, and traceable, right? Not just retrievable.
—— Will Lyon · [01:53]

这不仅能让单个智能体下次做完全相同的事情时变得更好，更要想想那些拥有成百上千个智能体、它们可以访问某种共享工具组的系统。
This is important not just so that a single agent can get better the next time you do it to do the exact same thing, but rather think about systems where you have hundreds or thousands of agents that have some shared grouping of tools that they have access to.
—— Will Lyon · [05:16]