🌐 Update translations via Co-op Translator

translations/mo/13-agent-memory/README.md

@@ -1,38 +1,46 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "d2c9703548140bafa2d6a77406552542",
-  "translation_date": "2025-10-03T14:17:09+00:00",
+  "original_hash": "a1d90991499ad697c4ad24decaf36968",
+  "translation_date": "2025-12-09T11:55:28+00:00",
   "source_file": "13-agent-memory/README.md",
   "language_code": "mo"
 }
 -->
 # AI代理的記憶
 [![代理記憶](../../../translated_images/lesson-13-thumbnail.959e3bc52d210c64a614a3bece6b170a2c472138dc0a14c7fbde07306ef95ae7.mo.png)](https://youtu.be/QrYbHesIxpw?si=qNYW6PL3fb3lTPMk)
 
-在討論創建AI代理的獨特優勢時，主要涉及兩個方面：調用工具完成任務的能力以及隨時間改進的能力。記憶是創建能夠自我改進的代理的基礎，能為用戶提供更好的體驗。
+在討論創建AI代理的獨特優勢時，主要提到兩個方面：調用工具完成任務的能力，以及隨時間改進的能力。記憶是創建能夠自我改進的代理的基礎，能為用戶提供更好的體驗。
 
 在本課程中，我們將探討AI代理的記憶是什麼，以及如何管理和利用它來提升應用程式的效能。
 
 ## 簡介
 
 本課程將涵蓋：
 
-• **了解AI代理的記憶**：什麼是記憶以及它對代理的重要性。
+• **了解AI代理的記憶**：什麼是記憶，以及它對代理的重要性。
 
 • **實現和存儲記憶**：為AI代理添加記憶功能的實用方法，重點關注短期和長期記憶。
 
 • **使AI代理自我改進**：記憶如何幫助代理從過去的互動中學習並隨時間改進。
 
+## 可用的實現方式
+
+本課程包括兩個全面的筆記本教程：
+
+• **[13-agent-memory.ipynb](./13-agent-memory.ipynb)**：使用Mem0和Azure AI Search結合Semantic Kernel框架實現記憶功能
+
+• **[13-agent-memory-cognee.ipynb](./13-agent-memory-cognee.ipynb)**：使用Cognee實現結構化記憶，自動構建基於嵌入的知識圖譜，視覺化圖譜並進行智能檢索
+
 ## 學習目標
 
 完成本課程後，您將能夠：
 
-• **區分AI代理的不同記憶類型**，包括工作記憶、短期記憶和長期記憶，以及像人格記憶和情節記憶這樣的特殊形式。
+• **區分AI代理的各種記憶類型**，包括工作記憶、短期記憶和長期記憶，以及專門的形式如角色記憶和情節記憶。
 
-• **使用Semantic Kernel框架實現和管理AI代理的短期和長期記憶**，利用像Mem0和Whiteboard記憶這樣的工具，並與Azure AI Search整合。
+• **使用Semantic Kernel框架實現和管理AI代理的短期和長期記憶**，利用工具如Mem0、Cognee、白板記憶，並與Azure AI Search集成。
 
-• **理解自我改進AI代理的原則**，以及穩健的記憶管理系統如何促進持續學習和適應。
+• **理解自我改進AI代理的原理**，以及穩健的記憶管理系統如何促進持續學習和適應。
 
 ## 了解AI代理的記憶
 
@@ -58,71 +66,81 @@ CO_OP_TRANSLATOR_METADATA:
 
 #### 工作記憶
 
-可以將其視為代理在單一進行中的任務或思考過程中使用的一張便條紙。它保存完成下一步所需的即時信息。
+可以將其視為代理在單一任務或思考過程中使用的一張便條紙。它保存完成下一步所需的即時信息。
 
-對於AI代理而言，工作記憶通常捕捉對話中最相關的信息，即使完整的聊天記錄很長或被截斷。它專注於提取關鍵元素，如需求、提議、決策和行動。
+對於AI代理，工作記憶通常捕捉對話中最相關的信息，即使完整的聊天記錄很長或被截斷。它專注於提取關鍵元素，如需求、提議、決策和行動。
 
 **工作記憶範例**
 
-在旅行預訂代理中，工作記憶可能捕捉用戶的當前請求，例如“我想預訂去巴黎的旅行”。這一具體需求保存在代理的即時上下文中，以指導當前的互動。
+在一個旅行預訂代理中，工作記憶可能捕捉用戶的當前需求，例如“我想預訂去巴黎的旅行”。這一具體需求保存在代理的即時上下文中，以指導當前的互動。
 
 #### 短期記憶
 
 這種記憶在單次對話或會話期間保留信息。它是當前聊天的上下文，使代理能夠回顧對話中的前幾輪。
 
 **短期記憶範例**
 
-如果用戶問“去巴黎的機票要多少錢？”然後接著問“那裡的住宿呢？”，短期記憶確保代理知道“那裡”指的是同一對話中的“巴黎”。
+如果用戶問“去巴黎的航班要多少錢？”然後接著問“那裡的住宿呢？”，短期記憶確保代理知道“那裡”指的是“巴黎”在同一對話中。
 
 #### 長期記憶
 
-這是跨多次對話或會話持續存在的信息。它使代理能夠記住用戶偏好、歷史互動或長期知識。這對個性化非常重要。
+這是跨多次對話或會話持續存在的信息。它使代理能夠記住用戶偏好、歷史互動或一般知識，並在長時間內保持。這對個性化非常重要。
 
 **長期記憶範例**
 
-長期記憶可能存儲“Ben喜歡滑雪和戶外活動，喜歡在山景下喝咖啡，並希望避免高級滑雪坡道，因為過去的受傷”。這些信息從之前的互動中學到，影響未來旅行規劃中的推薦，使其高度個性化。
+長期記憶可能存儲“Ben喜歡滑雪和戶外活動，喜歡在山景下喝咖啡，並希望避免高級滑雪坡道因為過去的受傷”。這些信息從之前的互動中學到，影響未來旅行規劃中的推薦，使其高度個性化。
 
-#### 人格記憶
+#### 角色記憶
 
-這種特殊的記憶類型幫助代理建立一致的“個性”或“角色”。它使代理能夠記住關於自身或其預定角色的細節，使互動更加流暢和專注。
+這種專門的記憶類型幫助代理建立一致的“個性”或“角色”。它使代理能夠記住關於自身或其預定角色的細節，使互動更加流暢和專注。
 
-**人格記憶範例**
+**角色記憶範例**
 
-如果旅行代理被設計為“滑雪規劃專家”，人格記憶可能強化這一角色，影響其回應以符合專家的語氣和知識。
+如果旅行代理被設計為“滑雪規劃專家”，角色記憶可能強化這一角色，影響其回應以符合專家的語氣和知識。
 
 #### 工作流程/情節記憶
 
-這種記憶存儲代理在執行複雜任務時的步驟序列，包括成功和失敗。它就像記住特定的“情節”或過去的經驗以從中學習。
+這種記憶存儲代理在執行複雜任務期間的步驟序列，包括成功和失敗。它就像記住特定的“情節”或過去的經歷以從中學習。
 
 **情節記憶範例**
 
-如果代理嘗試預訂特定航班但因不可用而失敗，情節記憶可以記錄這次失敗，使代理在後續嘗試中嘗試替代航班或更有信息地通知用戶問題。
+如果代理嘗試預訂特定航班但因不可用而失敗，情節記憶可以記錄這一失敗，使代理在後續嘗試中嘗試替代航班或更有信息地通知用戶問題。
 
 #### 實體記憶
 
-這涉及從對話中提取並記住特定的實體（如人、地點或事物）和事件。它使代理能夠構建對討論的關鍵元素的結構化理解。
+這涉及從對話中提取和記住特定實體（如人物、地點或事物）和事件。它使代理能夠構建對討論的關鍵元素的結構化理解。
 
 **實體記憶範例**
 
-從關於過去旅行的對話中，代理可能提取“巴黎”、“艾菲爾鐵塔”和“在Le Chat Noir餐廳的晚餐”作為實體。在未來的互動中，代理可以回憶“Le Chat Noir”並提供再次預訂那裡的選項。
+從關於過去旅行的對話中，代理可能提取“巴黎”、“艾菲爾鐵塔”和“在Le Chat Noir餐廳的晚餐”作為實體。在未來的互動中，代理可以回憶“Le Chat Noir”並提供再次預訂那裡的建議。
 
 #### 結構化RAG（檢索增強生成）
 
-雖然RAG是一種更廣泛的技術，“結構化RAG”被強調為一種強大的記憶技術。它從各種來源（對話、電子郵件、圖片）中提取密集的結構化信息，並用於提高回應的精確性、召回率和速度。與僅依賴語義相似性的經典RAG不同，結構化RAG利用信息的內在結構。
+雖然RAG是一種更廣泛的技術，“結構化RAG”被突出為一種強大的記憶技術。它從各種來源（對話、電子郵件、圖片）中提取密集的結構化信息，並用於提高回應的精確性、召回率和速度。與僅依賴語義相似性的經典RAG不同，結構化RAG利用信息的內在結構。
 
 **結構化RAG範例**
 
-結構化RAG可以解析電子郵件中的航班細節（目的地、日期、時間、航空公司）並以結構化方式存儲它們，而不僅僅是匹配關鍵字。這使得像“我星期二預訂去巴黎的航班是什麼？”這樣的精確查詢成為可能。
+結構化RAG可以解析電子郵件中的航班細節（目的地、日期、時間、航空公司）並以結構化方式存儲它們。這使得精確查詢如“我星期二預訂了去巴黎的哪個航班？”成為可能。
 
 ## 實現和存儲記憶
 
 為AI代理實現記憶涉及**記憶管理**的系統化過程，包括生成、存儲、檢索、整合、更新，甚至“忘記”（或刪除）信息。檢索是特別重要的一個方面。
 
 ### 專門的記憶工具
 
-存儲和管理代理記憶的一種方法是使用像Mem0這樣的專門工具。Mem0作為持久記憶層運作，使代理能夠回憶相關互動、存儲用戶偏好和事實上下文，並隨時間從成功和失敗中學習。這裡的理念是將無狀態代理轉變為有狀態代理。
+#### Mem0
+
+存儲和管理代理記憶的一種方法是使用像Mem0這樣的專門工具。Mem0作為持久記憶層，允許代理回憶相關互動、存儲用戶偏好和事實上下文，並隨時間從成功和失敗中學習。其理念是將無狀態代理轉變為有狀態代理。
+
+它通過**兩階段記憶管道：提取和更新**運作。首先，添加到代理線程的消息被發送到Mem0服務，該服務使用大型語言模型（LLM）總結對話歷史並提取新記憶。隨後，LLM驅動的更新階段決定是否添加、修改或刪除這些記憶，並將它們存儲在混合數據存儲中，包括向量、圖形和鍵值數據庫。該系統還支持各種記憶類型，並可以結合圖形記憶來管理實體之間的關係。
+
+#### Cognee
+
+另一種強大的方法是使用**Cognee**，一種開源的AI代理語義記憶，將結構化和非結構化數據轉化為可查詢的知識圖譜，並由嵌入支持。Cognee提供**雙存儲架構**，結合向量相似性搜索和圖形關係，使代理能夠理解不僅信息的相似性，還有概念之間的關係。
+
+它在**混合檢索**方面表現出色，融合向量相似性、圖形結構和LLM推理——從原始塊查找到基於圖形的問題回答。該系統維持**活記憶**，隨著時間的推移不斷演變和增長，同時保持作為一個連接圖的可查詢性，支持短期會話上下文和長期持久記憶。
 
-它通過**兩階段記憶管道：提取和更新**運作。首先，添加到代理線程的消息被發送到Mem0服務，該服務使用大型語言模型（LLM）總結對話歷史並提取新記憶。隨後，LLM驅動的更新階段決定是否添加、修改或刪除這些記憶，並將它們存儲在混合數據存儲中，包括向量、圖形和鍵值數據庫。該系統還支持各種記憶類型，並可以整合圖形記憶以管理實體之間的關係。
+Cognee筆記本教程（[13-agent-memory-cognee.ipynb](./13-agent-memory-cognee.ipynb)）展示了構建這一統一記憶層的實際範例，包括吸收多樣化數據源、視覺化知識圖譜，以及根據特定代理需求量身定制的不同搜索策略進行查詢。
 
 ### 使用RAG存儲記憶
 
@@ -134,15 +152,15 @@ Azure AI Search支持像**結構化RAG**這樣的功能，擅長從大型數據
 
 ## 使AI代理自我改進
 
-自我改進代理的一個常見模式是引入**“知識代理”**。這個獨立的代理觀察用戶與主要代理之間的對話。其角色是：
+自我改進代理的一個常見模式是引入**“知識代理”**。這個獨立的代理觀察用戶和主要代理之間的主要對話。其角色是：
 
 1. **識別有價值的信息**：確定對話中的任何部分是否值得保存為一般知識或特定用戶偏好。
 
-2. **提取和總結**：從對話中提煉出重要的學習或偏好。
+2. **提取和總結**：從對話中提煉出關鍵的學習或偏好。
 
-3. **存儲到知識庫**：持久化提取的信息，通常存儲在向量數據庫中，以便稍後檢索。
+3. **存儲在知識庫中**：持久化提取的信息，通常存儲在向量數據庫中，以便稍後檢索。
 
-4. **增強未來查詢**：當用戶發起新查詢時，知識代理檢索相關的存儲信息並將其附加到用戶的提示中，為主要代理提供重要上下文（類似於RAG）。
+4. **增強未來查詢**：當用戶發起新查詢時，知識代理檢索相關的存儲信息並將其附加到用戶的提示中，為主要代理提供關鍵上下文（類似於RAG）。
 
 ### 記憶的優化
 
@@ -156,5 +174,7 @@ Azure AI Search支持像**結構化RAG**這樣的功能，擅長從大型數據
 
 ---
 
+<!-- CO-OP TRANSLATOR DISCLAIMER START -->
 **免責聲明**：  
-本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤讀概不負責。
+此文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
+<!-- CO-OP TRANSLATOR DISCLAIMER END -->