统一 Agent 记忆与知识管理系统

要解决的问题

Agent 记忆常停留在“把对话存进向量库”，但真实任务需要区分当前状态、长期偏好、历史事件、程序规则和外部资料。若所有生命周期混在同一存储，会出现临时指令被记成用户画像、旧事实干扰当前查询、跨会话证据无法拼接等问题。该方案把 Agent 记忆当作可治理的数据基础设施来处理，重点不是“保存更多”，而是决定 写什么、存哪里、何时读取、如何更新 和 怎样遗忘。

如何工作

它将记忆拆成 R 表示存储、S 抽取、Q 检索路由、U 维护四类职责，并进一步区分工作记忆、语义记忆、情节记忆、程序记忆、检索记忆、参数记忆和前瞻记忆。运行流程通常包括：

• 写入门控：判断事实是否值得长期化，避免把“这次临时用 X”写成稳定偏好
• 读取门控：通过 scope、有效时间、关键词、语义检索和 rerank 过滤候选
• Query Planner：按当前状态、历史轨迹、事实召回、过程追踪或多跳组合选择检索路径
• 维护策略：用版本化事实、supersede、归档和局部合并控制成本

适用边界

它适合长期任务、多 Agent、用户偏好管理、工具调试和程序记忆沉淀，尤其需要审计、隔离和回放能力时更有价值。它不是单纯长上下文方案，也不要求一开始就建知识图谱或训练权重；轻量场景可先用工作记忆、可靠检索和干净的偏好表，再逐步加入情节记忆与程序规则。