大语言模型本质上是"无状态的函数"——每一次推理都是一次独立的计算。 让模型"有记忆"，需要在单次对话内和跨对话之间同时动手。
00
一张图读懂整体格局
可以借用计算机"存储层级"的思维：越靠近 CPU 的越快但越小，越远离的越大但越慢。大模型的记忆系统完全对应这种金字塔。
FIG · 00 — MEMORY HIERARCHY
短期 VS 长期 · 类比计算机存储层级
核心洞察：短期记忆处理"当下"，长期记忆处理"历史与世界知识"。两者并非替代关系，而是协同——长期记忆负责"知道什么"，短期记忆负责"此刻在想什么"。
01
短期记忆 —算力侧的战斗
短期记忆的瓶颈是算力与显存：Transformer 的自注意力复杂度是 O(n²)，每多一个 token 都在放大代价。所有解法都在回答同一个问题——如何让模型用更少资源看到更多 token。
CONCEPT短期记忆 = ?
模型在"单次推理"内能访问的全部信息
本质上是 Transformer 的注意力输入。一旦请求结束，这段记忆就消失了——除非你再传一遍。
承载形式有三层：当前 token 的激活值（最易失）→KV Cache（生成时复用）→Context Window 中的原始 token（本轮可回看）。
CONSTRAINT核心约束
两堵墙：O(n²) 计算 + KV Cache 显存
注意力计算与序列长度呈平方增长。100K token 的上下文，相当于做一张 100K×100K 的注意力矩阵。
KV Cache则与长度呈线性增长，但在多头、多层下绝对值巨大——一个 70B 模型、128K 上下文的 KV Cache 可占用几十 GB 显存。
FIG · 01A — TRANSFORMER 的短期记忆流
CONTEXT WINDOW · KV CACHE · 自回归生成
六种解法 · 把注意力变便宜
| 01 / 攻 O(N²) 高效注意力 Efficient Attention 用 Sliding Window（Mistral）、Sparse Attention（Longformer）、Linear Attention等，把平方复杂度降到近线性。FlashAttention 在硬件层把 I/O 降一个数量级。 | 02 / 压 KV CACHE 共享 / 压缩键值 GQA · MQA · MLA GQA/MQA让多头共享 K/V（Llama 3、Mistral 的标配）。MLA（DeepSeek）用低秩投影把 Cache 再砍一半。直接效果：同样显存能装下更长上下文。 |
| 03 / 骗位置 外推位置编码 RoPE · ALiBi · YaRN 训练时只见过 8K，推理时要处理 128K？靠 RoPE 缩放、YaRN、ALiBi让位置信号线性外推，把短上下文模型拉长，不用重训。 | 04 / 舍弃与摘要 上下文压缩 Context Compression 当历史超过窗口：驱逐策略（H₂O、StreamingLLM 保留 attention sink + recent）、LLM 自摘要、token 蒸馏（LLMLingua 压到 1/10）。本质都是有损压缩。 |
| 05 / 切块并行 长上下文训练 Ring / Sequence Parallel 训百万级上下文要把序列切到多卡：Ring Attention、Sequence Parallelism让显存上限从单卡升级为整个集群。 | 06 / 状态空间替代 Mamba / SSM 类 Recurrent State 跳出 Transformer：用状态空间模型把历史压进一个固定大小的隐状态。推理 O(n) 且无 KV Cache——代价是精确回看能力变弱。 |
本质判断 · SHORT-TERM
短期记忆的解法全部围绕一个不等式展开——「想看到的 token 数vsGPU 能承受的计算与显存」。过去两年的所有进展（FlashAttention、MLA、Mamba、百万上下文），都是在不断把这个不等式往"看得更多"那一侧推。
02
长期记忆 —系统侧的工程
长期记忆的瓶颈不在算力，而在**“什么时候记、记成什么格式、在哪里存、怎么把它找回来”**。它本质上是 LLM 之外的一整套信息检索 + 存储系统。
CONCEPT长期记忆 = ?
跨越单次推理的持久化知识
分两大类：参数化记忆（压进模型权重里的"世界知识"）和非参数化记忆（存在外部库里，用时再拉进来）。
前者快但死板，后者灵活但依赖检索——几乎所有严肃产品都是两者混合。
TRADE-OFF核心权衡
可更新性 × 可追溯性 × 延迟
参数化记忆：更新要重训或微调（慢、贵、易遗忘旧知识）；出了错很难解释。
外部记忆：可以随时增删改查，每条信息都能追回出处；但多一次检索就多一层延迟，检索质量直接决定输出质量。
FIG · 02A — RAG 架构
RETRIEVAL-AUGMENTED GENERATION · 最主流的长期记忆方案
FIG · 02B — AGENT 记忆系统
受 MEMGPT 启发 · 分层记忆 + 自我写入/检索
六种解法 · 让信息回得来
| 01 / 压进权重 参数化记忆 Pretraining · Fine-tuning 预训练把全网知识压进权重。SFT / LoRA把特定领域或风格继续固化。适合稳定、通用的知识——不适合昨天刚发生的事。 | 02 / 外挂向量库 RAG Retrieval-Augmented Generation 最成熟的工业方案。文档→分块→Embedding→向量库，查询时召回 top-k 塞进上下文。配合 Rerank、Hybrid Search、父子块可大幅提升召回质量。 |
| 03 / 分层管理 Agent 记忆系统 MemGPT · Letta 把上下文窗口当内存，外挂向量库当硬盘。LLM 自己决定何时写入长期、何时回读——「LLM 是 OS」的思想。 | 04 / 结构化 知识图谱 GraphRAG · KG 向量检索擅长"相似"但不擅长"多跳推理"。把实体关系抽成图，GraphRAG用子图 + 社区摘要回答全局性问题。补向量之不足。 |
| 05 / 增量学习 持续微调 Continual Learning 用 LoRA / QLoRA高效增量适配。关键是对抗灾难性遗忘——EWC、Replay Buffer、Adapter 隔离都是为此而生。 | 06 / 模型编辑 Knowledge Editing ROME · MEMIT 外科手术式改写权重。定位到承载这条知识的几层神经元，直接替换参数。比微调精准，但只适合少量、离散的事实更新。 |
本质判断 · LONG-TERM
长期记忆没有银弹。参数化记忆适合"稳的、通用的、不变的"；RAG适合"多、杂、要引用、常变的"；Agent 记忆系统适合"跨会话的个人化经验"。真实系统几乎全是三者拼起来的。
03
同框对照 —一张表讲透差异
做技术选型时，只需在这张表上对齐四个维度：容量、更新成本、访问延迟、可追溯性。
| 维度 | 短期记忆 | 长期记忆 |
|---|---|---|
| 载体 | 激活值 · KV Cache · Context Window | 模型权重 · 向量库 · KG · 文件系统 |
| 生命周期 | 单次请求内，结束即消失 | 跨对话 · 跨会话 · 跨用户持久 |
| 容量 | 128K ~ 2M token（随模型而定） | 理论无上限（TB ~ PB 级） |
| 访问延迟 | 极低（直接在 GPU 显存里） | 数十 ms ~ 秒级（检索+召回+读取） |
| 更新成本 | 零——每次重传即可 | 向量库：低 · 权重：高（需训练） |
| 可追溯性 | 高——原始 token 就在上下文里 | RAG 高（有 source）· 权重低（黑箱） |
| 核心技术 | FlashAttention · MLA/GQA · RoPE 外推 · 上下文压缩 | RAG · Fine-tune/LoRA · Agent Memory · KG |
| 典型瓶颈 | O(n²) 计算 · KV Cache 显存 | 检索召回率 · 知识一致性 · 遗忘 |
| 适用场景 | 单轮复杂推理 · 长文档分析 · 代码仓库理解 | 专业问答 · 个人助理 · 企业知识库 · 多轮 Agent |
04
合流 —现代系统的混合架构
没有严肃产品只用一种记忆。下图是 2026 年一个典型 Agent 应用的记忆全栈——短期与长期在同一条推理链上分工协作。
FIG · 04 — 混合记忆全栈
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
