学习（教育、MBA、学位）
当一名新员工开始在公司工作时，他会带来一系列他在培训和以前的经验中获得的知识和技能。
但这并不意味着他的学习已经完成。
事实上，公司投资培训和资格是很常见的，以便员工能够学习新技能并保持最新状态。
范围从内部讲习班和研讨会到资助外部课程和研究生课程。
对于 AI Agents，原理是类似的。
当我们创建人工智能代理时，它已经具备了在初始训练（创建充当其“大脑”的语言模型的过程）期间“学习”的知识和技能基础。
但就像人类一样，这种最初的学习并不总是足够的。
为了让我们的人工智能代理继续发展并适应我们业务的特定需求，投资于他们的持续学习可能是有益的。
有几种先进的技术可以做到这一点，例如微调、强化学习和持续学习。
但我们不会在这里深入研究这些方法的技术复杂性。
相反，让我们关注一种特别强大且易于访问的特定技术：内存扩展。
考虑以下类比：想象一下您有一位高素质且有能力的员工，但您不时需要了解一些有关公司产品、服务或流程的新信息。
一种选择是将这名员工送回学校或接受强化培训，从头开始重新学习一切。
但更有效的方法是简单地向他提供相关材料，例如更新的手册、操作指南或包含新信息的笔记本。
对于AI Agents，我们可以通过内存扩展来采用类似的策略。
由于我们通常无法直接访问Agent的“大脑”（语言模型）来进行复杂的修改，因此用新信息“训练”它的最有效方法是提供外部材料供其“阅读”和吸收。
这可能包括知识库、内部文档、客户服务记录或与特定代理的任务和职能相关的任何其他类型的数据。
最大的优势是人工智能代理可以“非常快速地”“读取”和处理这些材料，从而使它们能够比人类员工更快地更新和适应。
此外，与每次需要学习新信息时尝试从头开始重新训练代理的语言模型相比，这种方法往往更具成本效益。
在下一个主题中，我们将更详细地探讨这种内存扩展的工作原理，以及如何战略性地使用它来使我们的 AI 代理始终保持最新状态并满足我们的业务需求。
但就目前而言，关键是要了解，尽管持续学习对于人工智能代理来说并不总是严格必要的，但在许多情况下它可能非常有益。
实现这一目标的最强大且最容易实现的方法之一是通过这些代理的“外部存储器”**智能管理。