一、为什么记忆检索与更新如此重要?
Agent 的记忆系统通常包含短期记忆和长期记忆,但记忆数据的存在并不意味着 Agent 能够有效利用它们。
假设用户之前告诉 Agent:
后端项目主要使用 Go,数据库使用 PostgreSQL。
几天后,用户提出:
帮我设计一个订单服务。
Agent 需要完成以下工作:
- 判断当前任务是否需要历史记忆。
- 从记忆库中查找与订单服务相关的信息。
- 找到用户之前提供的技术栈。
- 判断这些信息是否仍然有效。
- 将相关记忆注入当前模型上下文。
- 根据新任务产生的信息更新已有记忆。
如果检索失败,Agent 就无法利用历史信息。
如果检索到了过期信息,Agent 可能做出错误决策。
如果更新机制存在缺陷,重复、冲突和错误信息就会不断积累。
因此,记忆系统实际上包含两个相互关联的核心过程:
- 记忆检索(Memory Retrieval):从已有记忆中找到当前任务需要的信息。
- 记忆更新(Memory Update):根据新信息修改、合并、补充或删除已有记忆。
二者共同构成 Agent 记忆的动态管理机制。
二、记忆检索与更新的整体架构
从系统架构来看,记忆检索和更新通常由独立的 Memory Manager 统一协调。
主要组件如下:
| 组件 | 核心职责 |
|---|---|
| Memory Manager | 统一管理记忆生命周期 |
| Query Analyzer | 分析当前任务和检索意图 |
| Query Rewriter | 将用户请求转换为检索查询 |
| Memory Retriever | 从不同存储中召回候选记忆 |
| Reranker | 对候选记忆重新排序 |
| Memory Validator | 验证记忆有效性和可信度 |
| Context Builder | 将相关记忆组织成模型上下文 |
| Memory Extractor | 从新交互中提取候选记忆 |
| Memory Merger | 处理重复和相似记忆 |
| Conflict Resolver | 解决新旧记忆之间的冲突 |
| Memory Store | 持久化记忆 |
| Lifecycle Manager | 处理过期、归档和删除 |
整体工作过程:
flowchart TD
A["Agent Runtime"] --> B["Memory Manager"]
B --> C["记忆检索模块"]
B --> D["记忆更新模块"]
C --> E["查询分析"]
E --> F["查询改写"]
F --> G["多路记忆召回"]
G --> H["候选记忆重排序"]
H --> I["有效性校验"]
I --> J["上下文组装"]
D --> K["候选记忆提取"]
K --> L["记忆分类与评估"]
L --> M["去重与合并"]
M --> N["冲突检测"]
N --> O["记忆持久化"]
O --> G
J --> P["模型推理与任务执行"]
P --> D
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style H fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style K fill:#EAF3EC,stroke:#83A995,color:#315D49
style L fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style M fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style N fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style O fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style P fill:#DCEFE5,stroke:#4F8B70,color:#24563F
需要注意,记忆检索和更新不是完全独立的两个阶段。
检索结果可能发现记忆已经过期或存在冲突,从而触发更新;任务执行产生的新事实,也可能在更新后影响下一次检索。
三、记忆检索的完整过程
记忆检索不是简单地执行一次向量搜索。
一个完整的检索过程通常包括:
- 检索触发判断。
- 查询意图分析。
- 查询改写。
- 多路召回。
- 候选结果合并。
- 相关性重排序。
- 有效性和权限校验。
- 上下文组装。
1. 检索触发判断
并不是所有任务都需要读取长期记忆。
例如:
| 用户请求 | 是否需要检索 | 原因 |
|---|---|---|
| 解释什么是 TCP | 通常不需要 | 通用知识问题 |
| 继续上次的项目分析 | 需要 | 依赖历史任务上下文 |
| 按照我的代码规范生成代码 | 需要 | 依赖用户偏好 |
| 查询当前订单状态 | 应查询业务系统 | 记忆不能替代实时数据 |
| 总结刚才上传的文档 | 通常不需要长期记忆 | 当前上下文已有数据 |
检索触发可以采用规则和模型结合的方式。
规则触发
通过明确条件决定是否检索:
- 用户提到之前、上次、继续等词语。
- 当前任务包含用户个性化要求。
- 任务关联特定项目。
- 当前会话缺少必要背景信息。
模型判断
由模型分析当前任务,判断是否需要历史信息,以及需要哪种记忆。
例如:
{
"need_memory": true,
"memory_types": [
"preference",
"semantic",
"episodic"
],
"reason": "当前任务需要了解用户的技术栈和历史项目背景"
}
生产环境中,模型判断不应成为唯一的检索入口。对于必须遵守的项目约束、权限边界和明确的任务关联,应该使用确定性的规则保障。
2. 查询意图分析
确定需要检索后,系统需要理解当前任务究竟想查什么。
例如:
帮我按照之前的技术栈设计一个订单服务。
这句话至少包含三个检索意图:
- 用户之前使用什么技术栈?
- 当前项目是否有既定架构?
- 用户是否有特定的代码或设计偏好?
可以将检索意图结构化:
{
"intent": "project_design",
"entities": [
"订单服务",
"当前项目"
],
"memory_types": [
"preference",
"fact",
"semantic"
],
"constraints": {
"scope": "current_project"
}
}
意图分析的目标是将自然语言请求转换为明确的检索任务。
3. 查询改写(Query Rewriting)
用户的原始请求不一定适合直接用于向量检索。
例如:
继续按照之前的方式做。
这句话缺少具体的检索语义。
系统需要结合当前会话和任务状态,将它改写为更明确的查询:
检索当前项目之前确认的技术栈、架构设计约束、
代码规范和已经完成的设计方案。
查询改写可以包含:
- 指代消解。
- 实体补全。
- 同义词扩展。
- 关键词提取。
- 时间范围补充。
- 项目和用户范围限定。
- 记忆类型指定。
一个重要原则:
查询改写只能补充检索语义,不能凭空创造用户事实。
例如,不能因为用户要求设计订单服务,就自行假设项目使用 Go,再把 Go 作为检索条件。
4. 多路记忆召回
长期记忆可能分散在不同的存储系统中。
不同类型的记忆需要使用不同的检索方式。
| 检索方式 | 适合内容 | 主要特点 |
|---|---|---|
| 精确查询 | 用户 ID、项目 ID、记忆 ID | 准确、可控 |
| 关键词检索 | 错误码、类名、服务名称 | 适合精确词项 |
| 向量检索 | 语义知识、历史经验 | 适合语义相似内容 |
| 结构化过滤 | 类型、时间、作用域、状态 | 适合条件约束 |
| 图关系检索 | 实体关系、依赖关系 | 适合关联信息 |
例如,当前任务是设计订单服务,可以同时执行:
- 向量检索:查找与订单架构相关的记忆。
- 关键词检索:查找
order-service、PostgreSQL等关键词。 - 结构化查询:限定当前用户和项目。
- 图关系检索:查找订单服务与支付服务之间的历史关系。
多路检索的价值在于互补,而不是简单地增加查询数量。
5. 候选结果合并
多路检索可能返回重复记录。
例如:
向量检索:
用户偏好使用 Go 开发后端。
关键词检索:
后端开发语言为 Go。
结构化查询:
backend_language = Go。
这些结果可能指向同一条记忆。
需要根据记忆 ID、实体、内容和来源进行去重与合并。
同时保留必要的来源信息,避免合并后丢失可信度和时间信息。
6. 相关性重排序(Reranking)
召回结果并不一定按照实际价值排序。
例如,用户要求设计订单服务,候选记忆如下:
| 记忆 | 向量相似度 | 实际相关性 |
|---|---|---|
| 当前项目的订单架构 | 0.92 | 极高 |
| 历史订单故障记录 | 0.88 | 高 |
| 用户对页面颜色的偏好 | 0.85 | 低 |
| 支付服务的设计规范 | 0.81 | 高 |
单纯按照向量相似度排序,可能把页面颜色偏好排在前面。
因此,需要使用重排序模型或综合评分机制。
一个常见评分模型:
其中:
- S_{semantic}:语义相关性。
- S_{keyword}:关键词匹配程度。
- S_{scope}:记忆与当前用户、项目或任务的作用域匹配程度。
- S_{recency}:时间新鲜度。
- S_{importance}:记忆重要性。
- S_{confidence}:记忆可信度。
各项权重应根据业务场景调整。
尤其需要注意:
- 作用域不匹配的记忆,即使语义相似,也不应该进入当前上下文。
- 高风险业务事实不能只依赖相似度判断。
- 长期稳定的事实不一定因为时间较久就失去价值。
- 时间新鲜度应该结合信息类型判断。
7. 记忆有效性校验
召回记忆之后,还需要判断它是否仍然有效。
需要检查:
- 是否已经过期。
- 是否已经被更新。
- 是否存在更高版本。
- 是否被用户明确撤销。
- 是否与当前项目匹配。
- 是否具有可信来源。
- 当前用户是否有权访问。
例如:
旧记忆:订单服务使用 MySQL。
新记忆:当前项目已经迁移到 PostgreSQL。
如果只检索到旧记忆,Agent 可能采用错误的数据库设计。
因此,记忆系统需要支持版本和有效状态判断。
8. 上下文组装
检索结果不能直接无差别地放入 Prompt。
Context Builder 需要完成:
- 过滤无关记忆。
- 合并重复信息。
- 标注信息来源。
- 区分事实和推测。
- 保留必要的时间信息。
- 控制 Token 数量。
- 标记不可信内容。
示例:
[Relevant Memories]
当前项目信息:
- 后端语言:Go
- 数据库:PostgreSQL
- 服务架构:微服务
用户偏好:
- 优先采用明确的错误处理方式。
历史经验:
- 数据库迁移需要检查时区和字段精度。
[Memory Metadata]
- 来源:历史对话和项目配置
- 状态:有效
- 作用域:当前项目
[Current Task]
设计订单服务。
检索结果应该作为参考数据,而不是能够覆盖系统指令的高优先级指令。
9. 记忆检索完整流程图
flowchart TD
A["接收用户任务"] --> B["判断是否需要检索"]
B --> C{"是否需要记忆"}
C -->|"否"| D["直接构建上下文"]
C -->|"是"| E["分析检索意图"]
E --> F["查询改写"]
F --> G["多路记忆召回"]
G --> H["候选结果合并"]
H --> I["相关性重排序"]
I --> J["权限与有效性校验"]
J --> K{"是否存在有效记忆"}
K -->|"否"| D
K -->|"是"| L["去重与冲突检查"]
L --> M["Token 预算控制"]
M --> N["上下文组装"]
N --> O["模型推理与执行"]
D --> O
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style J fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style K fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style L fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style M fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style N fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style O fill:#DCEFE5,stroke:#4F8B70,color:#24563F
四、记忆检索的关键算法与技术
1. 向量相似度检索
向量检索是长期记忆系统中常见的召回方式。
首先,通过 Embedding 模型将记忆文本转换为向量:
当前查询也转换为向量:
然后计算二者之间的相似度。
常见指标包括:
余弦相似度
点积
欧氏距离
不同 Embedding 模型对向量归一化和相似度计算方式可能有不同要求,需要根据模型和向量数据库的配置选择。
2. ANN 近似最近邻检索
当记忆规模较小时,可以直接计算查询向量与所有记忆向量之间的距离。
但当向量数量达到百万级甚至更高时,逐条计算的成本会显著增加。
ANN(Approximate Nearest Neighbor)通过索引结构降低检索开销。
常见算法:
| 算法 | 核心思想 | 特点 |
|---|---|---|
| HNSW | 分层小世界图 | 查询速度快,内存占用较高 |
| IVF | 聚类后搜索部分倒排列表 | 适合大规模向量集合 |
| PQ | 向量量化压缩 | 降低存储成本 |
| DiskANN | 基于磁盘的近似最近邻 | 适合大规模磁盘检索 |
HNSW 的基本思路是构建多层图结构。
高层图负责快速定位区域,底层图负责精细搜索。
查询向量
│
▼
高层图快速定位
│
▼
逐层进入低层图
│
▼
底层邻居搜索
│
▼
返回 Top-K 候选
3. BM25 关键词检索
BM25 是经典的全文检索相关性算法。
它主要考虑:
- 查询词在文档中的出现频率。
- 查询词在整个文档集合中的稀有程度。
- 文档长度。
其典型形式为:
其中:
- f(q_i,D):查询词在文档中的词频。
- |D|:文档长度。
- avgdl:平均文档长度。
- k_1,b:调节参数。
- IDF:逆文档频率。
BM25 特别适合检索具体技术名词、错误码、服务名称和配置项。
4. 混合检索
向量检索和关键词检索各有优势。
因此,实际系统通常采用混合检索。
一种常见方式是加权融合:
但需要注意,不同检索算法的分数分布可能不一致,不能直接假设两个分数具有相同量纲。
另一种方式是 RRF(Reciprocal Rank Fusion),通过排名融合结果:
其中:
- rank_i(d):文档在第 i 个检索结果中的排名。
- k:平滑参数。
RRF 不依赖原始检索分数的统一尺度,适合融合多路排序结果。
5. 重排序模型
召回模型负责从大量数据中快速找出候选记忆。
重排序模型则负责对候选结果进行更精细的相关性判断。
常见实现方式:
- Cross-Encoder。
- 专门训练的 Reranker。
- LLM 相关性判断。
Cross-Encoder 通常将查询和候选文档一起输入模型,直接计算相关性。
它通常比单纯的向量相似度更精细,但计算成本也更高。
典型架构:
flowchart TD
A["用户查询"] --> B["Embedding 检索"]
A --> C["BM25 检索"]
B --> D["候选集合"]
C --> D
D --> E["RRF 或分数融合"]
E --> F["Top-K 候选"]
F --> G["Cross-Encoder 重排序"]
G --> H["最终相关记忆"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
五、记忆更新的核心机制
记忆更新的目标不是简单地增加新记录,而是让记忆库始终保持准确、相关和可维护。
1. 记忆更新的触发来源
记忆更新可能来自多个渠道:
| 来源 | 示例 |
|---|---|
| 用户明确表达 | 用户修改长期偏好 |
| 新的对话内容 | 用户补充项目背景 |
| 工具执行结果 | 查询到最新项目配置 |
| 任务执行结果 | 某个方案经过验证 |
| 外部数据变化 | 业务规则或技术文档更新 |
| 定期维护任务 | 清理过期、重复记忆 |
不同来源的可信度不同。
例如:
- 用户明确确认的信息,通常具有较高可信度。
- 经过权威业务系统验证的数据,适合更新对应业务事实。
- 模型自行推测的信息,不应直接作为确定事实写入。
- 外部网页和文档中的内容,需要经过来源与安全检查。
2. 候选记忆提取
Agent 在任务执行过程中会产生大量信息,但并非所有信息都值得更新长期记忆。
记忆提取器需要识别:
- 新事实。
- 新偏好。
- 新经验。
- 已发生的状态变化。
- 已验证的操作流程。
- 用户明确撤销的信息。
例如:
用户:之前项目使用 MySQL,现在已经迁移到 PostgreSQL。
提取结果:
{
"memory_type": "project_fact",
"entity": "current_project",
"attribute": "database",
"old_value": "MySQL",
"new_value": "PostgreSQL",
"operation": "update",
"source": "user_statement"
}
3. 记忆重要性评估
候选记忆需要经过重要性评估。
常见维度:
| 维度 | 评估标准 |
|---|---|
| 重要性 | 是否影响未来任务 |
| 稳定性 | 是否可能长期有效 |
| 可复用性 | 是否能够用于多个任务 |
| 可信度 | 来源是否可靠 |
| 时效性 | 是否具有有效期限 |
| 作用范围 | 适用于用户、项目还是单次任务 |
| 敏感性 | 是否涉及不应保存的信息 |
可以构建一个综合评分:
其中:
- I:重要程度。
- S:稳定程度。
- R:可复用程度。
- C:可信程度。
该评分主要用于辅助决策,不能代替用户授权、隐私策略和安全规则。
4. 记忆分类
不同类型的记忆应该采用不同的更新方式。
例如:
| 记忆类型 | 更新策略 |
|---|---|
| 用户偏好 | 合并、覆盖或按作用域隔离 |
| 项目事实 | 按版本和时间更新 |
| 语义知识 | 归纳、补充和版本管理 |
| 情景记忆 | 通常新增事件记录 |
| 程序性记忆 | 经过验证后更新操作流程 |
特别需要区分事实和事件。
用户更换数据库属于事实变化,可以更新当前有效状态。
某次数据库迁移成功属于历史事件,通常应该保留为情景记忆,而不是直接覆盖掉。
5. 去重与合并
长期记忆中经常存在语义相同但表达不同的内容。
例如:
记忆 A:用户后端主要使用 Go。
记忆 B:用户喜欢使用 Golang 开发服务。
记忆 C:用户的服务端语言是 Go。
这三条记录可能表达相同的信息。
系统可以通过以下方式识别:
- 精确文本匹配。
- 关键词匹配。
- 向量相似度。
- 实体和属性比较。
- LLM 语义判断。
合并后的记忆:
{
"type": "preference",
"key": "backend_language",
"value": "Go",
"sources": [
"memory_A",
"memory_B",
"memory_C"
],
"confidence": 0.98
}
合并时需要保留来源和历史信息,避免丢失证据。
6. 冲突检测
记忆冲突是长期记忆管理中最容易出错的问题之一。
例如:
旧记忆:当前项目使用 MySQL。
新记忆:当前项目使用 PostgreSQL。
这可能是:
- 用户修改了技术选型。
- 项目发生了数据库迁移。
- 两条信息对应不同项目。
- 新信息只是临时测试环境配置。
- 新信息本身不准确。
因此,不能直接使用新信息覆盖旧信息。
需要比较:
- 实体是否相同。
- 属性是否相同。
- 作用域是否相同。
- 时间范围是否重叠。
- 信息来源是否可靠。
- 新信息是否明确表示变更。
- 是否存在权威数据源可以验证。
7. 冲突处理策略
| 策略 | 使用场景 |
|---|---|
| 新版本覆盖 | 同一作用域下明确发生状态变更 |
| 保留历史版本 | 需要追踪信息变化 |
| 作用域拆分 | 不同项目或环境使用不同配置 |
| 多值并存 | 信息本身允许多个值 |
| 置信度调整 | 新旧信息都缺少充分证据 |
| 人工确认 | 冲突影响重大且无法自动判断 |
例如:
项目 A:使用 Go。
项目 B:使用 Rust。
这不是冲突,应该拆分作用域。
而:
项目 A:
旧版本使用 MySQL。
新版本已经迁移到 PostgreSQL。
这是同一项目的时间状态变化,应该保留历史版本,并更新当前有效状态。
六、记忆更新的事务与版本机制
当多个 Agent 实例同时修改记忆时,简单的读取、修改、写入可能造成数据覆盖。
例如:
初始记忆:版本 1
实例 A 读取版本 1。
实例 B 读取版本 1。
实例 A 更新为版本 2。
实例 B 更新为版本 3。
如果实例 B 直接覆盖实例 A 的结果,就可能丢失更新。
因此,生产级记忆系统需要考虑并发控制。
1. 乐观锁(Optimistic Locking)
通过版本号判断数据是否发生变化。
例如:
UPDATE agent_memories
SET
memory_value = '{"database": "PostgreSQL"}',
version = version + 1
WHERE id = 1001
AND version = 3;
如果更新影响行数为 0,说明数据版本已经发生变化,需要重新读取并处理。
2. 记忆版本管理
建议长期记忆至少包含:
{
"memory_id": "mem_1001",
"version": 4,
"status": "active",
"content": "当前项目使用 PostgreSQL",
"source": "user_confirmation",
"valid_from": "2026-11-20T10:00:00Z",
"valid_to": null,
"created_at": "2026-11-20T10:00:00Z"
}
版本管理能够支持:
- 追踪记忆变化。
- 恢复历史版本。
- 比较新旧信息。
- 处理并发更新。
- 审计记忆来源。
3. 事务与一致性
记忆系统可能同时维护:
- 关系数据库中的记忆记录。
- 向量数据库中的 Embedding。
- 全文检索索引。
- 缓存中的热点记忆。
这些系统通常不共享同一个数据库事务。
因此,不能假设一次记忆更新可以原子地修改所有存储。
一种常见设计是:
- 在主数据库中提交记忆变更。
- 同一事务写入 Outbox 事件。
- 后台消费者读取事件。
- 更新向量索引和全文索引。
- 更新或失效相关缓存。
- 记录同步状态并支持重试。
这种方式可以降低跨存储更新失败导致的数据不一致问题。
4. 记忆更新流程
flowchart TD
A["接收新信息"] --> B["提取候选记忆"]
B --> C["类型分类与重要性评估"]
C --> D{"是否允许保存"}
D -->|"否"| E["丢弃或仅保留短期记录"]
D -->|"是"| F["读取相关已有记忆"]
F --> G["去重与语义合并"]
G --> H{"是否存在冲突"}
H -->|"否"| I["创建或补充记忆"]
H -->|"是"| J["分析作用域和来源"]
J --> K{"能否自动解决"}
K -->|"是"| L["执行更新或版本变更"]
K -->|"否"| M["标记待确认"]
I --> N["主数据库事务提交"]
L --> N
M --> O["保留原有效状态"]
N --> P["写入 Outbox 事件"]
P --> Q["同步向量与全文索引"]
Q --> R["更新缓存"]
R --> S["更新完成"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#F7EAE7,stroke:#C98D7C,color:#754438
style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style K fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style L fill:#EAF3EC,stroke:#83A995,color:#315D49
style M fill:#F7EAE7,stroke:#C98D7C,color:#754438
style N fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style O fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style P fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style Q fill:#EAF3EC,stroke:#83A995,color:#315D49
style R fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style S fill:#DCEFE5,stroke:#4F8B70,color:#24563F
七、记忆遗忘与清理机制
记忆更新不仅包括新增和修改,还包括删除与归档。
长期记忆持续增长后,需要避免低价值信息无限积累。
1. 时间过期
为具有明确时效性的记忆设置有效期。
例如:
- 临时项目状态。
- 短期任务安排。
- 临时业务活动。
- 阶段性配置。
过期记忆不一定需要立即物理删除。
可以先将其标记为失效,避免参与正常检索,再根据保留策略进行归档或删除。
2. 访问频率与重要性衰减
可以根据访问频率和时间调整记忆的检索优先级。
例如:
其中:
- Importance(m):记忆的重要性。
- Recency(m):最近更新时间或使用时间。
- Frequency(m):访问频率。
需要注意,访问频率低并不意味着记忆没有价值。
例如,用户的长期安全约束可能很少被访问,但仍然必须保留。
3. 合并压缩
多条重复记忆可以归纳为更精简的知识。
例如:
记忆 A:用户后端使用 Go。
记忆 B:用户的 API 服务采用 Go。
记忆 C:用户偏好 Go 进行服务端开发。
可以归纳为:
用户后端技术偏好:Go。
但需要保留来源、作用范围和必要的历史记录。
4. 显式删除
用户要求删除记忆时,需要执行完整的数据删除策略。
可能涉及:
- 主记忆记录。
- 向量数据库中的对应向量。
- 全文索引。
- 缓存。
- 派生摘要。
- 备份和归档数据。
对于有合规要求的系统,还需要提供删除审计记录。
5. 遗忘与清理流程
flowchart TD
A["定期记忆维护任务"] --> B["扫描记忆记录"]
B --> C["检查有效期"]
C --> D{"是否已经过期"}
D -->|"是"| E["标记失效"]
D -->|"否"| F["评估重要性与使用情况"]
F --> G{"是否需要合并或归档"}
G -->|"是"| H["归纳压缩或归档"]
G -->|"否"| I["保留有效记忆"]
E --> J["检查是否需要物理删除"]
H --> K["更新索引与元数据"]
J --> L{"是否允许删除"}
L -->|"是"| M["清理存储与索引"]
L -->|"否"| N["保留在隔离或归档区"]
M --> O["记录清理结果"]
N --> O
K --> P["完成维护"]
I --> P
O --> P
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#F7EAE7,stroke:#C98D7C,color:#754438
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style K fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style L fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style M fill:#F7EAE7,stroke:#C98D7C,color:#754438
style N fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style O fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style P fill:#DCEFE5,stroke:#4F8B70,color:#24563F