【Agent 学习笔记 02】记忆系统：四类记忆、冲突处理与「出差还是搬家」怎么判断-平芜编程栈

这是 Agent 学习笔记的第 2 篇，讲记忆系统。回忆一下我卡住的那句：

记忆冲突怎么办？时间戳优先、置信度加权、显式确认；低风险自动更新，高风险追问。

背是能背，但面试官追问"如果用户只是去上海出差，不是搬家，你怎么判断？"就答不上来了。这篇就是把这个坑填上。

本系列导航

00 开篇：Agent 是什么？与 Chatbot / Workflow / RAG 的边界
01 推理范式：ReAct / Plan-and-Execute / Reflexion
02 记忆系统：四类记忆与冲突处理（本篇）
03 工具调用：Schema 设计与工具幻觉防护
04 可靠性工程：循环、假终止、多 Agent 与安全
05 成本、上下文、评测与项目故事

一、四类记忆：先分清"放在哪、放多久"

类型	是什么	例子
短期记忆	当前会话上下文	最近 10 轮对话
长期记忆	跨会话持久化	用户偏好、历史订单
情景记忆	具体的经历	“上次退款调了 refund API 成功”
语义记忆	抽象的事实	“退款需要订单号”

我用自己的话重新归纳了一版（更好记）：

短期 = 草稿纸（这轮对话）；
长期 = 档案柜（跨会话的身份与偏好）；
情景 = 日记（做过什么、结果如何）；
语义 = 常识/规则（这个系统的世界是怎样的）。

情景记忆和语义记忆的区别特别值得记：情景是"我经历过什么"，语义是"我知道什么"。前者用来避免重复踩坑，后者用来做判断。

图：短期与长期描述保留范围和时间尺度，情景与语义描述内容类型，因此分类可以交叉：事件记录与知识都可以长期保留。图中的四张卡是理解视角，不是必须分别建设的四个互斥数据库。

二、记忆冲突：问题长什么样

记忆冲突 = Agent 之前记住的事，和现在用户说的事，矛盾了。

例子：

去年用户说：“我住北京。”
今天用户说：“我在上海，帮我推荐附近的餐厅。”（注意：用户没有说"我搬到上海了"）

如果直接检索记忆，Agent 可能会推荐北京餐厅——这就错了。

于是就有了四种处理策略。

三、四种处理策略（逐条 + 局限）

① 时间戳优先：新的覆盖旧的

每条记忆都记时间，新的覆盖旧的：

记忆1：住北京，时间 2024-01-01 记忆2：住上海，时间 2025-06-01 → 选 2025-06-01 的"住上海"

局限（重要）：如果用户只是去上海出差呢？所以不能无脑覆盖。

② 置信度加权：谁说的更可信

每条记忆带一个置信度：用户明确说的置信度高，Agent推测的置信度低。

用户明确说："我搬到上海了" → 置信度 0.95 Agent 推测："用户可能住上海" → 置信度 0.6 → 选高置信度的

这里的关键是："我在上海"和"我搬到上海了"不是同一个信息。前者是位置，后者是居住地变更。置信度差异来自于"表述的明确程度"。

③ 显式确认：拿不准就直接问

当新旧记忆矛盾、且不好判断时，直接问用户：

Agent："您之前提到住北京，现在是在上海吗？" 用户："对，我搬过来了。" → 更新记忆

④ 按风险分级：低风险自动更新，高风险必须追问

风险	例子	处理
低风险	口味、喜欢的颜色、常点的外卖	自动更新
高风险	医疗过敏、法律身份、金融账户	必须追问确认

举例：

用户上次说"不吃辣"，这次说"最近开始吃辣了" → 口味是低风险，自动更新；
用户上次说"对青霉素过敏"，这次说"好像不过敏了" → 医疗高风险，必须追问：“您确认青霉素不过敏吗？这很重要。”

四、回答那道追问：出差还是搬家？

面试官追问"用户只是出差怎么办"，我现在会这样答（分三层）：

先看表述的明确性：如果用户说"我搬到上海了"→ 高置信度的居住地变更；如果只是说"我在上海"→只记一条"情景记忆：当前在上海"，不动"居住地=北京"这条长期记忆；
再看时效与场景：推荐餐厅这种查询，只用"当前地点"，不需要改长期画像；
拿不准就问：如果后续行为持续指向上海（多次定位/多次"在上海"），再触发显式确认：“您现在是常住上海了吗？”

一句话总结：

不要用"位置"去覆盖"居住地"，要用"情景记忆"记录临时状态，只有"显式表述 + 高置信度 + 持续一致"才更新长期画像。

这就是"时间戳优先"不能无脑用的原因——冲突要先分清是"哪一类记忆"的冲突。

图：明确的出差消息应记录为有时效的事件，保留原常住地；只有获得真正长期变更的明确依据后才更新长期信息，语义含糊时先询问。来源、时间与适用范围应与记忆一起保存，图中A、B仅为抽象代号。

五、记忆检索排序：公式怎么读

score = relevance × exp(-λ × age) × importance

三个因子：

因子	含义	直觉
`relevance`	与当前问题的相关性	越相关越靠前
`exp(-λ × age)`	时间衰减，越旧越小	λ 越大，衰减越快
`importance`	这条记忆本身的重要性	重要的事不该被时间淹没

举例：用户问"推荐餐厅"

“不吃辣”：重要性高——虽然旧，仍排在前面；
“上次去了川菜馆”：相关性低——时间再新也不一定排前面。

我对这个公式的理解是：乘法的意义是"一票否决"。任何一项接近 0，这条记忆就不会被选中——相关性为 0 就完全没用；时间极旧会指数衰减；重要性极低也一样。
而importance的存在，正是为了解决"时间优先把重要信息冲掉"的问题（比如过敏史）。

遗忘机制（我补的扩展）

面试还可能问"记忆太多怎么办"。常见做法：

时间衰减：exp(-λ×age)天然实现"旧记忆降权"；
容量上限 + LRU：每类记忆设条数上限，超出淘汰最久未用的；
摘要压缩：把多条情景记忆总结成一条语义记忆（“该用户近 3 个月常问退款”）；
重要性保护：高importance的记忆不参与淘汰（过敏史、法务标记）。

六、面试口述版

“记忆冲突是新旧信息矛盾。处理分三层：第一，时间戳优先，新的覆盖旧的；第二，置信度加权，用户明确说的优先于系统推测的；第三，显式确认，矛盾且高风险时追问用户。低风险如口味自动更新，高风险如医疗必须追问。我们系统用向量相似度大于 0.9 且内容矛盾来检测冲突。”

如果被追问"出差怎么办"，就补上第四节那句结论——先分记忆类型，再决定要不要覆盖。

七、我的复盘

这一篇最大的收获是**“记忆不是一个池子”**：

把记忆分成短期/长期/情景/语义之后，“冲突"这件事就不再是"选新还是选旧”，而是"这次冲突发生在哪一类记忆上、该怎么处理"。

我整理了一张决策表，面试时可以直接讲：

冲突类型	处理
临时状态 vs 长期画像（我"在"上海 vs 我"住"北京）	写情景记忆，不动长期画像
低风险偏好变更（口味）	时间戳优先，自动更新
高风险事实变更（过敏、账户）	显式追问+ 人工确认
推测 vs 明确表述	置信度加权，明确优先
持续多次一致	升级为长期记忆