生产级 AI Agent 记忆架构拆解：向量库之外的四层设计

Source: (unknown)

Summary

视频系统批判了「纯向量数据库即记忆」的常见误区，指出其在精确调用与时间状态两大场景的致命缺陷。随后以 ChatGPT 为标杆，拆解其会话元数据、结构化用户档案、近期对话摘要、滑动上下文窗口的四层架构，全程无向量数据库参与。进一步引出 Agentic Memory 三件套：原始账本（append-only Logger）、派生视图（Views）、控制策略（Policy）。最后点出两个高阶难题：双时态时间戳机制（避免历史数据混淆当前状态）与程序性记忆（将成功操作轨迹固化为可复用 Skill）。

Key Points

• 向量检索有两大致命缺陷：模糊匹配与精确字段调用冲突、无法处理状态覆写（时间盲区）
• ChatGPT 四层记忆：会话元数据（用完即弃）→ 结构化档案卡（精确覆写）→ 近期对话摘要（压缩存储）→ 滑动上下文窗口
• 生产级 Agentic Memory 三件套：Logger（只追加原始账本）+ Views（派生视图，供模型消费）+ Policy（控制策略，决定何时读写遗忘）
• 需给 Agent 建立显式慢思考回路（System 2），把记忆读写变成主动可调用工具，而非被动记录
• 双时态机制：每条记忆打「现实生效时间」与「写入系统时间」两个时间戳，防止 Agent 把历史状态当当前真相
• 程序性记忆：将成功交互轨迹压缩固化为可执行 Skill，使 Agent 越用越聪明而非每次重蹈覆辙

Transcript

transcript