這篇要介紹到論文提到的記憶與檢索系統，記憶比較單純，檢索會比較複雜點，如何快速且有效去找出有相關性、重要性的記憶，對於大腦來說也很重要的問題。以前看書講到，大腦的記憶其實是分散在很多部位，有分長短期、視覺記憶什麼的… 大腦儲存部份會比較複雜點，但如何抽取並整合，這就是一個有挑戰性的問題了。

架構

為了使得agent在每一時刻可以與外界(人或場景)做互動，每一次的行為的產生，都是透過當前獲得資訊以及過去的經驗，所產出的一次行為。但是記憶是可以很長的，所以為了可以找出最相關的記憶，該研究核心用了些方法，或者說是公式，去排列並找出資訊。

抽取記憶記憶相關性，由三個元素所組成，分別是，最近檢索時間、重要性與相關性。

1. 最近檢索時間
   就像是你沒用到的英文單字，久了就漸漸遺忘
2. 重要性
   這是透過語言模型去給出的一個分數，例如如果分數是1~10，清掃房間的分數會是2，跟暗戀的對象問能否去約會則是8，當然，中間可能有些模糊地帶，不過這的確有點衡量，但我覺得基底在於ChatGPU上的價值觀上去評價，可能有些場景會遇到些風險
3. 相關性
   也是透過語言模型，去查詢哪些記憶有相關，至於相關程度是用embedding vector，計算餘弦相似性，剛提到兩個都是NLP常用到的技術。

最終，我們得到三個被規範化到0~1分數的數字，並做加總，總體而言整個公式為
Score = recency + importance + relevance
這三個前面都有一個係數α，但因為論文表示三個都設1，這邊就不多寫

結語

我個人覺得整體設計蠻直覺的，這個框架對我過去沒研究語言模型來說挺新鮮，不過之前有看過類似，更複雜的語言模型系統，但以這邊框架來講，清晰有效，給人的感覺還不錯，太複雜的框架，有時候反而會有很多不穩定因素。

參考

Generative Agents: Interactive Simulacra of Human Behavior