在之前的教程中，我们已经了解了智能体和多智能体系统。但一个真正强大的 AI 智能体，还需要拥有记忆能力。记忆可以帮助智能体积累经验，并根据过去的经验进行决策和行动。
本教程将带你了解 MetaGPT 中的记忆功能，以及如何使用它来提升你的 AI 智能体的能力。
MetaGPT 中的记忆
在 MetaGPT 中，Memory 类是智能体记忆的抽象表示。当一个角色被初始化时，它会获得一个 Memory 对象，用于存储它观察到的所有消息。这些消息会被保存在一个列表中，方便以后检索。
检索记忆
当你需要使用记忆时，例如将记忆作为 LLM 的上下文，可以使用 self.get_memories() 方法。该方法的定义如下：
def get_memories(self, k=0) -> list[Message]:
"""A wrapper to return the most recent k memories of this role, return all when k=0"""
return self.rc.memory.get(k=k)该方法接受一个可选参数 k，用于指定要检索的最近记忆数量。如果 k 为 0，则返回所有记忆。
例如，在之前的多智能体教程中，我们使用 get_memories() 方法将所有记忆作为上下文提供给测试者。这样，如果审查者提供了反馈，测试者可以参考之前的版本修改测试用例。代码片段如下：
async def _act(self) -> Message:
logger.info(f"{self._setting}: ready to {self.rc.todo}")
todo = self.rc.todo
# context = self.get_memories(k=1)[0].content # 使用最近的记忆作为上下文
context = self.get_memories() # 使用所有记忆作为上下文
code_text = await todo.run(context, k=5) # 指定参数
msg = Message(content=code_text, role=self.profile, cause_by=todo)
return msg添加记忆
要添加记忆，可以使用 self.rc.memory.add(msg) 方法，其中 msg 必须是 Message 类的实例。
建议在定义 _act 方法时，将动作输出的消息添加到角色的记忆中。角色通常需要记住它之前说过的话或做过的事，才能采取下一步行动。
下一步
本教程介绍了 MetaGPT 中的“短期记忆”概念。记忆的检索是基于简单的最近性原则。然而，还有许多其他类型的记忆，以及各种各样的记忆生成和检索技术。你可以参考 Memory 教程，了解如何使用记忆来真正提升你的智能体的性能。