如果你在搭 Agent，或者在做任何需要"记住用户"的产品，这个问题迟早会撞上来，所以记录一下我的理解。

当前主流方案：Vector Store + Embedding

目前最常见的实现方式很直接：

  • 用户对话或行为生成 embedding
  • embedding 存入 vector database
  • 新请求来了，生成 query embedding
  • 通过 similarity search 找到 top-k 相关记忆

这套东西能跑，也确实能解决"历史信息检索"的问题。但说实话，它更像一个可检索日志系统，而不是一个记忆系统。

真正难的地方在三件事：记忆压缩、记忆演化、记忆冲突解决。

记忆压缩：你不能什么都存

如果系统把每次对话都往 vector store 里塞，数据量会爆炸式增长。

比如用户在不同场合说了这些：

  • "I like sushi"
  • "I love sushi"
  • "Sushi is my favorite food"
  • "I enjoy eating sushi"

一个 naive 的系统会存 4 条记忆，但真正有价值的信息其实只有一条：用户喜欢寿司。

这个问题很像数据库里的 LSM-tree compaction——原始日志需要被压缩成更高层的状态快照。AI 记忆也一样：原始交互要压缩成结构化知识。

比如用户说了"我搬到西雅图了"、"西雅图老下雨"、"我挺喜欢住这儿的"，压缩后应该是一条：用户住在西雅图。

但这里有几个坑我觉得挺难处理的：

抽象层级怎么定？ 用户喜欢寿司、拉面、披萨，系统应该总结成"喜欢食物"还是"喜欢日料"？这个自动决定起来很微妙。

什么时候触发压缩？ 可以定期做（每积累 N 条记忆压缩一次），也可以基于相似度触发（当一组记忆在 embedding space 里形成 cluster 时自动压缩）。两种都有取舍。

信息丢失问题最致命。 比如用户喜欢寿司，但对贝壳类过敏。如果被压缩成"用户喜欢海鲜"，这就完全错了。所以压缩这一步必须非常谨慎，不能简单粗暴地 summarize。

记忆演化：人会变，记忆也得跟着变

人的状态不是静态的。2023 年用户住在纽约，2024 年搬到了西雅图。系统必须理解纽约是过期信息，西雅图才是当前状态。

但 vector store 天生是 append-only 的，它不管你是新信息还是旧信息，只管往里加。

真正的记忆系统需要的是一个状态机，而不是一个追加日志。

这里面有几个关键问题：

事实更新。 用户以前最喜欢 Python，后来说"我转 Rust 了"。系统应该做的是更新记忆，而不是简单地加一条新的。

时间维度。 记忆通常需要带上时间戳、置信度和有效时间窗口。比如"用户住在纽约（2019-2024）"、"用户住在西雅图（2024-至今）"，这样系统才能正确推断当前状态。

长期记忆和短期记忆要分开。 "用户喜欢寿司"是长期稳定的，"用户正在东京旅行"是短期信息。认知科学里把这分成情景记忆（Episodic Memory）和语义记忆（Semantic Memory），AI 记忆系统也需要类似的分层。

记忆冲突：这可能是最头疼的部分

记忆互相矛盾的情况比想象中常见。

一条记忆说"用户是素食主义者"，另一条说"用户喜欢牛排"。系统得做出判断：到底哪个对？

冲突的来源有好几种：用户行为真的变了（以前吃素现在不了）、用户表达不一致（一会说讨厌 Python 一会又说 Python 真香）、或者模型自己推断错了。

目前常见的解决策略：

  • 时间优先（Latest Wins）：最新的信息覆盖旧的。简单直接，但不总是对——有些旧信息可能仍然有效
  • 置信度机制：给记忆打分，用户明确说的话置信度高，LLM 推断出来的置信度低，冲突时选高的
  • 来源追踪：记录每条记忆的来源（用户直接陈述、模型推断、系统生成），冲突时优先信任用户亲口说的
  • 多版本记忆：保留多个时间版本，比如"用户是素食主义者（2018-2023）"和"用户吃肉（2023-至今）"，在不同时间上下文里用不同的记忆

一个更完整的架构长什么样

如果把这些问题都考虑进去，AI Memory 系统的架构大概是这样：

原始交互
    │
    ▼
记忆提取（LLM）
    │
    ▼
结构化记忆存储
    │
    ├── 压缩（compaction）
    ├── 演化（evolution）
    └── 冲突解决（conflict resolution）
    │
    ▼
检索层

其中记忆存储可能需要用到 Graph Database、Document Store 甚至关系型数据库，而不仅仅是 vector database。

因为说到底，AI Memory 要解决的不是相似度检索，而是知识表示、知识演化和知识冲突解决。这更像是在建一个知识图谱 + 数据库系统 + 推理引擎的组合体。

对搭 Agent 的实际启示

目前像 mem0 这类项目已经开始探索记忆提取、记忆打分、记忆更新这些方向，但整体来说还是第一代方案。

如果你现在在做需要长期记忆的 Agent 产品，我的建议是：不要只依赖 vector store 做记忆。至少在设计阶段就把记忆的更新和冲突处理考虑进去，哪怕初期实现简单一些，架构上要留出空间。

真正成熟的 AI 记忆系统，最终会更接近一个持续演化的知识系统——能压缩经验、更新事实、解决矛盾。而这背后最核心的问题其实就一个：我们到底应该怎么表示"记忆"本身。这个问题没想清楚，后面怎么做都是在打补丁。