正在加载模式…
🧳
基于记忆的学习(MBL)
通过在决策时检索并复用已存储的经验来改善智能体行为，而非更新模型权重。过往交互、结果和用户反馈被索引为记忆，并按相似度召回以塑造新的决策，从而无需重新训练即可实现持续的个性化。
复杂度: medium学习与适应
30秒速览
- 是什么
- 把过往交互连同结果与反馈一并存下来，在决策时检索相似案例，从而无需重训模型就能影响新的选择。
- 何时使用
- 在反复交互中个性化很重要，而且你能采集到可靠的反馈信号，用来衡量该复用哪些过往经验。
- 注意
- 如果记忆缺少清晰的结果标签，或相似度匹配把无关的旧案例带进当前决策，召回质量就会急剧下滑。
向AI专家咨询此模式
打开助手并预填您的问题,发送前可先确认。
基于记忆的学习: 概览
通过在决策时检索并复用已存储的经验来改善智能体行为，而非更新模型权重。过往交互、结果和用户反馈被索引为记忆，并按相似度召回以塑造新的决策，从而无需重新训练即可实现持续的个性化。
- Experience storage with outcome and feedback tagging
- Similarity-based recall at decision time
- Outcome-weighted reuse of past solutions
- Continual personalization without model retraining
- Case-based reasoning over accumulated episodes
The Agent Architect
每周一个模式、一个权衡、一个生产事故案例。为构建智能体系统的人准备的每周简报。
每周一封邮件,一键退订。您的地址仅用于发送简报。
参考资料
该模式所依据的论文、规范和代码仓库。
由本目录背后的工程师执行
为你的智能体架构做一次评审
本页讲的是一个模式。真实系统会同时跑几十个，而多数故障恰恰出在它们的衔接处。我们按本目录的 288 个模式评审你的整体设计：架构、可靠性、评测与成本，每一条结论都对应到能修复它的模式。
€750（原价 €1,500），一周交付，书面报告加讲解通话，9月30日前