第 11 章测验

对应章节：记忆与检索

共 8 题，答对率 ≥ 80% 即通过。请完成全部题目后点击「提交」。

Q1为什么 Agent 需要长期记忆？不实现记忆会怎样？没有长期记忆时，每次新会话 Agent 都从零开始：用户上次告诉过它的偏好、项目背景全部丢失，用户必须反复重复解释没有长期记忆时模型就无法生成自然语言，Agent 直接瘫痪没有长期记忆时 Agent 无法调用工具，只能纯文本回复长期记忆是给模型训练用的，和 Agent 运行时无关

Q2关于「工作记忆」与「长期记忆」的区别，正确的是？工作记忆是上下文窗口（messages 数组），随会话存在、有 token 上限；长期记忆跨会话、有选择地沉淀、按需检索回填工作记忆存在磁盘上，长期记忆存在内存里工作记忆只能存用户消息，长期记忆只能存模型回复两者没有区别，只是叫法不同

Q3什么是 embedding？为什么向量检索能胜过关键词匹配？ embedding 把文本映射为向量，语义相近的文本在向量空间里也相近；所以「用户不喜欢咖啡」与「用户对饮品的偏好」这种措辞不同但语义相关的文本也能互相命中 embedding 是把文本压缩成更短的字符串，节省存储 embedding 只能处理英文，中文需要先分词才能用 embedding 是关键词的哈希表，命中率取决于字面匹配

Q4余弦相似度 cos(a, b) = (a·b) / (|a|·|b|)，下列说法正确的是？它衡量两个向量的方向夹角，对长度缩放不敏感：a 和 2a 的相似度是 1 它衡量向量长度差，长度差越小相似度越高两个相同向量的余弦相似度永远是 0 余弦相似度总是大于 1，越大越相关

Q5本章为什么可以用「暴力检索」（遍历所有向量逐个算余弦）而不是引入向量数据库？因为记忆库规模不大（几千条以内）时 O(n) 扫描完全够用，且没有索引维护成本；向量库的 ANN 索引在规模变大、延迟成为瓶颈时才值得引入因为暴力检索永远比任何向量库都快因为浏览器沙箱禁止安装任何第三方库因为向量数据库无法计算余弦相似度

Q6关于 embedding 维度一致性，正确的做法是？写入时的向量维度和检索查询的向量维度必须一致；不一致时应主动抛错，而不是算出错相似度维度不一致时把两个向量补零对齐就行，结果仍然可靠维度只影响存储大小，不影响相似度计算查询向量维度和库向量维度必须不同，才能体现检索价值

Q7关于记忆写入时机策略，正确的是？写入是「有选择的」：命中信号关键词（如「记住」「偏好」）或会话足够长才写；什么都写会让记忆库充满噪声，检索时噪声全被注入上下文每一条用户消息都必须立刻写入长期记忆，否则就是丢信息只在会话开始时写入一次，之后不再写写入时机只能靠 LLM 判断，纯函数无法表达

Q8长期记忆与持久层（第 10 章）的关系是？记忆库本身要落盘持久化（复用第 10 章的存储），向量只是检索用的索引；记忆 = 持久层 + 检索层向量就是记忆本身，原文可以丢弃，存向量就够了长期记忆与持久层无关，记忆只存在内存里持久层是给对话历史用的，记忆库必须用独立数据库