LLM 上下文窗口在不断扩大，但真实业务中"长对话失忆"、"跨会话信息丢失"、"用户偏好
无法沉淀"、"历史决策无法复用"四大问题依然普遍。开源方案如 mem0 提供了基础能力，
但在企业级场景下缺少：① 多智能体共享记忆与隔离 ② 决策类记忆的结构化沉淀 ③ 写入
时机的智能判断（避免无脑全量写入浪费 token）④ 跨会话事实冲突的消解能力。本项目
针对智能体长程对话与协作场景，构建"四层记忆模型 + 六大召回能力 + 智能写入触发"
完整方案，可作为独立服务对接任意 LLM 应用，已支撑公司多个 Agent 项目落地。
1. 四层记忆模型（借鉴认知心理学 Tulving 分类）：
· 工作记忆：当前对话窗口
· 情景记忆：历史会话片段，向量召回
· 语义记忆：事实知识、用户画像，结构化存储
· 程序记忆：成功经验、决策模板，参数化复用
2. 智能写入触发：基于消息特征 + 决策结果双因子判断哪些值得记忆，避免无脑写入
3. 六大召回能力：相似度召回、时间衰减、关联实体、决策模板、用户画像、跨会话事实
4. 多 Agent 共享与隔离：全局共享 / 群组共享 / 私有记忆三层隔离机制
5. 记忆冲突消解：基于置信度 + 时间戳 + 来源权威度的混合策略
6. 提供 RESTful API + Python SDK，5 分钟接入任意 LLM 应用
作为架构师独立设计与落地：
1. 四层记忆模型设计，落地为可操作的工程方案，每层有独立的存储策略与召回算法
2. 写入触发机制：设计 mid-conversation hook，避免每条消息都触发 LLM 抽取
3. 召回引擎三级架构：Milvus 向量检索 + PostgreSQL 结构化过滤 + Redis 短期缓存
4. 记忆冲突消解：在 mem0 基础上扩展置信度评分系统，支持按业务自定义权威度规则
5. 难点：决策类记忆如何"经验沉淀且可泛化"，方案是抽取决策骨架 + 参数化模板，召回
时用模板匹配 + 参数注入
6. 已在多智能体协作平台中验证：长对话上下文召回准确率 92%+，token 消耗降低约 40%
评论