已验证65% 置信事实时间未知
LLM的'记忆'在技术实现上是将历史对话文本拼接到当前请求的Prompt中，让模型在同一次推理里看到历史内容
3
来源数
65%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
LangChain 1.2 Agent记忆机制：短期与长期记忆实战详解
bilibili一只凉在敲代码
涉及实体
相关事实
待验证基于Transformer的LLM每次推理都是独立的前向传播计算，模型权重在推理阶段固定不变，所谓的上下文记忆本质上是将历史对话文本重新注入提示词77% 相似待验证LLM的记忆依赖于上下文窗口，即模型在单次推理时能够处理的最大Token数量74% 相似待验证多轮对话的实现方式是每次请求时将之前所有的对话历史全部重新输入给模型，而非模型具有真正的记忆能力73% 相似待验证现代 LLM 的核心能力在于「下一个 Token 预测」，通过统计语言模式生成连贯文本，而非真正理解语义73% 相似待验证模型在每次推理时需要将当前对话的完整历史记录一并输入处理，总结全部内容操作会将整个上下文历史计入输入费用73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/17137API
curl https://kongchang.com/api/v1/knowledge/claims/17137MCP
get_claim(id=17137)