本文深入剖析了AI Agent常见的记忆混乱和幻觉问题并提出解决方案通过RAG检索增强生成结合上下文工程从外部知识库获取准确信息优化上下文结构。文章详细介绍了向量数据库选型、Spring Boot集成Chroma的代码实现、三层记忆架构设计以及输出溯源校验等实战技巧帮助开发者有效提升Agent的准确率和可靠性。RAG核心架构封面图你做的AI Agent是不是经常出现这两个问题记忆混乱之前说过的内容转头就忘同一个问题反复问你上下文串了回答驴唇不对马嘴幻觉严重经常编造不存在的内容说的头头是道实际全是错的根本没法用我刚开始做Agent的时候这两个问题差点把我搞崩溃用户问个问题Agent要么记不住之前的上下文要么瞎编答案用户说的内容和之前说的完全对不上根本没人敢用。后来花了一个月优化RAG和上下文工程终于把这两个问题解决了现在Agent的回答准确率稳定在95%以上几乎没有幻觉上下文也不会混乱了。今天第三篇就把我的经验全部分享给你从RAG落地到上下文优化还有完整的代码实现看完你也能搞定记忆混乱和幻觉问题。一、先搞懂核心为什么Agent会记忆混乱和产生幻觉RAG全流程示意图很多人以为是大模型能力不够其实根本不是核心原因是两个1. 记忆混乱大模型的上下文窗口有限放不下所有的对话内容多了之后大模型记不住前面的内容自然就混乱了现在主流的大模型上下文窗口看起来很大动不动就几十万Token但实际有效的上下文其实只有前面的几千和后面的几千中间的内容大模型根本记不住你塞再多也没用。 而且上下文越长大模型的回答准确率越低还会出现前后内容串了的情况之前说过的内容后面就忘了。2. 幻觉大模型不知道答案但是大模型不知道自己不知道会编造看起来很真实的答案根本没法区分哪些是训练数据里有的哪些是自己编的大模型的训练数据是截止到某个时间点的而且不会有最新的内容还有很多专业领域的内容训练数据里没有大模型不知道答案的时候就会编造一个看起来很真实的答案也就是幻觉。 普通的大模型调用你可以说「我不知道」但Agent会为了完成任务就会编造答案这是Agent落地最大的问题。 解决这两个问题的核心方案就是**RAG检索增强生成 上下文工程从外部获取准确的知识同时优化上下文结构让Agent既能记住上下文又不会编造答案。二、RAG落地实战从向量数据库选型到代码实现RAG的原理很简单把你自己的知识存在向量数据库里Agent需要答案的时候先去向量数据库里检索相关的内容然后把检索到的内容和问题一起传给大模型大模型根据检索到的内容回答问题就不会编造答案了。RAG核心流程文档处理把你的文档、知识、历史对话等内容切成小块生成向量存在向量数据库里检索用户提问的时候把问题生成向量去向量数据库里检索相似度最高的Top N条内容增强把检索到的内容和问题一起传给大模型大模型根据检索到的内容回答问题校验检查大模型的回答是不是来源于检索到的内容如果不是就打回重新生成第一步向量数据库选型适合Java技术栈的最佳选择很多人上来就选Pinecone、Weaviate这些云服务其实对于中小企业和个人开发者来说完全没必要用本地开源的就足够了数据库优点缺点适用场景Milvus性能强、功能全、支持分布式部署稍复杂企业级大规模场景Chroma轻量、Python/Java SDK全、部署简单性能一般中小规模场景PGVector基于PostgreSQL不用单独部署数据库功能较少已经在用PG的场景第二步Spring Boot集成Chroma完整代码实现Step 1添加依赖dependencygroupIdio.github.amrhawk/groupIdartifactIdchroma-java-client/artifactIdversion0.8.0/version/dependencydependencygroupIddev.langchain4j/groupIdartifactIdlangchain4j-embeddings-openai/artifactIdversion0.31.0/version/dependencyStep 2配置Chromachroma:url:http://localhost:8000collection-name:agent-knowledgelangchain4j:open-ai:embedding-model:api-key:${OPENAI_API_KEY}model-name:text-embedding-3-smallStep 3文档处理和检索实现import dev.langchain4j.data.document.Document;import dev.langchain4j.data.document.loader.FileSystemDocumentLoader;import dev.langchain4j.data.segment.TextSegment;import dev.langchain4j.store.embedding.EmbeddingMatch;import dev.langchain4j.store.embedding.EmbeddingStore;import dev.langchain4j.store.embedding.chroma.ChromaEmbeddingStore;import org.springframework.beans.factory.annotation.Autowired;import org.springframework.stereotype.Component;import java.io.File;import java.util.List;ComponentpublicclassRagService {Autowiredprivate EmbeddingStoreTextSegment embeddingStore;Autowiredprivate OpenAiEmbeddingModel embeddingModel;/** * 加载文档到向量数据库 * param filePath 文档路径 */publicvoidloadDocument(String filePath) {// 加载文档Documentdocument FileSystemDocumentLoader.loadDocument(newFile(filePath));// 把文档切成1000字符的小块重叠200字符 ListTextSegment segments DocumentSplitters.recursive(1000, 200).split(document);// 生成向量存入向量数据库 embeddingStore.addAll(embeddingModel.embedAll(segments).content(), segments); }/** * 检索相关内容 * param query 问题 * param topN 返回Top N条相关内容 * return 相关内容拼接结果 */public String retrieve(String query, int topN) {// 生成问题的向量varqueryEmbedding embeddingModel.embed(query).content();// 检索TopN条相关内容 ListEmbeddingMatchTextSegment matches embeddingStore.findRelevant(queryEmbedding, topN, 0.7);// 拼接成字符串return matches.stream() .map(match - match.embedded().text()) .reduce(, (a, b) - a \n\n b); }}Step 4在Agent中使用RAGpublic String execute(String task) {// 先检索相关内容StringrelevantContent ragService.retrieve(task, 3);// 把检索到的内容和任务一起传给大模型Stringprompt请根据以下参考内容回答问题\n 参考内容 relevantContent \n 问题 task \n 要求1. 只能根据参考内容回答参考内容没有的就说不知道不要编造内容\n 2. 答案必须标注来源「来源参考内容的片段位置;return chatModel.generate(prompt).content().text();}就这么简单你把团队的技术文档、历史知识、常见问题都加载到向量数据库里Agent回答的时候就会根据这些内容回答不会编造答案了。三、上下文工程优化解决记忆混乱问题RAG解决了幻觉问题接下来解决记忆混乱问题我用的是**三层记忆架构平衡记忆能力和Token成本第一层短期记忆最近10轮对话滑动窗口短期记忆保存最近10轮的对话存在内存里上下文连贯性最好Token占用也少// 滑动窗口记忆最多保存最近10条消息ChatMemorychatMemory MessageWindowChatMemory.withMaxMessages(10);第二层中期记忆当前任务相关内容任务完成后清空中期记忆保存当前任务的所有相关信息比如当前开发的项目信息、需求、之前的操作记录等任务完成后就清空不会占用额外的空间// 中期记忆用单独的向量集合保存当前任务的内容StringcurrentTaskCollectiontask- taskId;// 任务完成后删除这个集合embeddingStore.deleteCollection(currentTaskCollection);第三层长期记忆用户偏好、历史知识永久保存长期记忆保存用户的固定偏好、历史常见问题、团队知识沉淀存在RAG的向量数据库里需要的时候才检索出来// 检索长期记忆里的用户偏好StringuserPreference ragService.retrieve(用户偏好 userId, 1);上下文压缩优化减少Token浪费很多人把所有检索到的内容都塞给大模型浪费Token还容易让大模型混乱我用的是上下文压缩先检索Top 10条相关内容用大模型判断这10条内容里哪些是真正和问题相关只保留相关的把相关的内容压缩成精简版传给大模型 这样既能保证上下文里都是有用的内容不会浪费Token也不会让大模型混乱。四、幻觉根治方案输出溯源校验100%消除幻觉就算用了RAG还是可能会有幻觉我再加一层输出溯源校验100%消除幻觉校验规则所有事实性内容必须标注来源「来源参考内容的片段位置如果答案里有内容不在参考内容里直接打回重新生成如果参考内容里没有答案直接返回「我不知道这个问题的答案请提供更多信息」代码实现public String generateAnswer(String query) {StringrelevantContent ragService.retrieve(query, 3);Stringanswer chatModel.generate(prompt).content().text();// 校验答案是不是来源于参考内容booleanisSourceValid checkAnswerSource(answer, relevantContent);if (!isSourceValid) {return对不起我无法回答这个问题参考内容里没有相关信息; }return answer;}// 检查答案是不是来源于参考内容privatebooleancheckAnswerSource(String answer, String relevantContent) {// 把答案分成句子检查每个句子是不是都在参考内容里出现 ListString sentences splitSentences(answer);for (String sentence : sentences) {if (sentence.length() 10 !relevantContent.contains(sentence.substring(0, 10))) {returnfalse; } }returntrue;}你还可以用大模型来做校验让大模型判断答案是不是来源于参考内容准确率更高请判断以下答案是不是全部来源于参考内容参考内容{{relevantContent}}答案{{answer}}只返回是或不是加上这层校验Agent就完全不会有幻觉了所有答案都是有来源的可信可靠。五、最佳实践少走弯路我踩过很多RAG和上下文工程的坑给你几个最佳实践文档切片不是越小越好建议1000-2000字符重叠10%-20%既能保证内容完整又能提高检索准确率。相似度阈值不要太低建议0.7以上太低会检索到很多不相关的内容反而影响准确率。不要把所有内容都塞到长期记忆里只放有用的知识过时的内容定期清理不然检索效率会越来越低。上下文不是越长越好控制在大模型上下文窗口的1/3以内太长准确率最高超过之后准确率会快速下降。最后记忆和幻觉是Agent落地最大的两个拦路虎RAG上下文工程是目前最成熟的解决方案工程化落地成本很低效果却很好你按照我给的方案做90%的记忆和幻觉问题都能解决。 下一篇我会带你实战AI原生基础设施搭建从本地推理服务部署到生产级可观测性看完你也能搭建自己的AI Agent生产环境。 你做Agent的时候遇到过记忆或幻觉的问题吗评论区聊聊你是怎么解决的。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。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】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025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。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】