企业官网建设流程全解析

AI Agent

做过 Agent 的人都会遇到同一个问题：聊了三天，它还是不记得你叫什么。上下文窗口装不下所有历史，把全部对话塞进去又贵又乱。记忆系统的本质，是回答一个问题——什么该记、记多久、怎么取。本文分享我们给客服 Agent 设计记忆架构的完整思路。

三层记忆模型

参照人类记忆的分层，Agent 记忆也分三层：

层 介质 生命周期 存什么 工作记忆 上下文窗口 当前会话 本轮任务的状态 情景记忆 向量数据库 长期 具体事件："上周三用户反馈过物流慢" 语义记忆 结构化存储 长期 提炼后的知识："用户偏好简洁回复"

工作记忆就是 prompt 里那部分上下文，不用建系统。真正要设计的是后两层。

情景记忆：写入前先过三道闸

不是所有对话都值得存。我们的写入管道：

defmaybe_store(turn):# 闸1：信息量 —— 无事实、无决策的水话不存ifextract_facts(turn)isNone:return# 闸2：重要性打分 —— 用小模型打 1-10 分score=importance_score(turn)ifscore<6:return# 闸3：去重 —— 与已有记忆相似度 > 0.92 的合并而非新增merge_or_store(turn,threshold=0.92)``` 重要性打分这一步很关键。我们早期全量入库，三个月后向量库变成垃圾场，检索噪声把召回质量拖垮了。加上打分后，存储量下降70%，检索命中质量反而上升。## 语义记忆：从对话流里"结晶"情景记忆存的是流水账，语义记忆存的是结论。实现上是定期跑一个离线任务： ```text 每晚 → 取当日高分情景记忆 → LLM 归纳成结构化条目 → 与既有语义记忆冲突时，新信息覆盖旧信息（带时间戳） ``` 例如从20条"用户每次都要求重发汇总邮件"的情景记忆，结晶出一条语义记忆："该用户偏好邮件汇总而非即时消息"。下轮对话直接注入 system prompt，不用检索。## 读取：比存储更重要读取策略决定了记忆系统的实际价值：1.**固定注入**：用户画像类语义记忆（偏好、禁忌、身份信息），每轮直接拼进 system prompt，量控制在500token 内；2.**按需检索**：情景记忆用当前 query 检索 top-3，只取时间衰减后的高分条目；3.**时间衰减**：`score × exp(-λ × 天数)`，λ 取0.01（半衰期约70天），让旧记忆自然淡出而非永久霸榜。## 一个容易被忽略的坑：记忆污染用户随口一句"我可能下周去上海"，被存成事实并永久注入，之后每次对话都被误导。对策：给每条记忆加**确定性标注**（事实/推测/偏好），推测类条目只在被再次确认后升级，两周未确认自动降权。 记忆系统没有开源银弹，但架构是清晰的：写入设闸、定期结晶、读取分层、防污染。四件事做对，Agent 就从"金鱼记忆"变成"靠谱同事"。