Agent Memory系统架构

1、向量数据库的致命缺陷

为什么OpenAI放着万能的向量数据库不用？？？

工程的本质是选对工具，而不是证明你会用多复杂的工具。

致命缺陷1：模糊匹配 vs 精确调用（效率问题）

买车的时候和销售讨论很多，包括金额方面、车型对比方面，大模型会根据讨论的这些进行各种检索进行模糊匹配；但是不应该这样呀，应该直接查询预算这个字段，一击命中就能毫无歧义。

致命缺陷2：处理“时间问题冲突”的系统性困境（逻辑问题）

时间盲区：买车的时候预算问题，昨天我的预算5万 发工资了 今天我的预算涨了到了8万 两个预算丢进大模型 大模型会懵逼的。

状态覆写：新值直接覆盖旧值，系统内永远只有一个唯一的真值。

2、ChatGPT的四层分层设计

会话元数据：天气、时区、设备类型。用完即弃，不进长期记忆；

用户结构化档案卡：建一个结构化表格，JSON格式。随时更新、随时覆盖、精确读取（职业、饮食偏好）。绝不模棱两可；

近期对话摘要：轻量级话题清单。静态注入当前对话，不存原文，提炼主题存入；

滑动窗口：当前上下文。超过token上限，最老消息直接丢弃。

3、Agentic Memory的三大命题

1、认知：memory绝不是存储区，而是影响决策的外部状态。如果Agent是一个人，存一堆记录不叫能力。真正的能力是把历史记录提取成当前有用的证据。memory的核心价值不在于存了多少G的数据，而在于“历史转化成决策”的这条道路到底通不通；

2、memory的最小可用闭包--系统三件套

原始账本：类似于银行流水，只追加不修改，记录所有读写动作，用于溯源排错的“黑匣子”；

派生视图：将死数据转化成大模型能看得懂的格式（向量索