ARTICLE · 1297770
用户记忆系统 AI 如何记住你说过的话
用户记忆系统 AI 如何记住你说过的话
声明：此文章只做原文章的总结，并非原创。 原文来源：李博杰《深入理解 AI Agent：设计原理与工程实践》第三章 用户记忆和知识库。文中出行案例均为便于理解而构造的示例。
上次订票时，你告诉 AI 助手：“我坐高铁喜欢靠窗，尽量别选太早的车次。”
过了两周，你重新打开对话，只说了一句：“帮我看看去杭州的车票。”
它还知道你的座位偏好吗？如果你已经搬了家，它会从哪个城市查起？如果上次是替同事订票，它又能不能分清，那些要求到底属于谁？
这些问题，正是用户记忆系统（User Memory System）要解决的：从交互中保留有用的信息，在之后的任务里，找到并使用与当前用户、当前问题有关的部分。
有了这套机制，用户就能少重复一些背景，助手也有机会更准确地理解偏好和变化。
理解用户记忆，可以先弄清三个问题：存在哪里，怎么存，存什么。最后再看，记忆越来越多时该怎样整理。
记忆存在哪里
先区分两个范围：一次会话里发生了什么，以及跨会话还需要记住什么。
短期记忆保存当前任务的来龙去脉
一次 Agent 任务中，会陆续出现用户消息、工具调用及其返回结果、模型回复。这些按发生顺序记录下来的内容，可以组成执行轨迹，也就是Trajectory。
例如，查票任务可能留下这样一串记录：
用户提出目的地 → 助手查询车次 → 工具返回时刻与余票 → 用户补充出发时间 → 助手重新筛选。
轨迹很像任务的流水账。采用追加日志的设计时，新事件接在后面，原始记录保留下来，方便追踪当时看到了什么、做过什么。
但要区分完整轨迹和本次送给模型的上下文。日志可以持续追加；为了控制长度，模型每次实际看到的内容，可以经过选择、摘要和重组。短期记忆通常围绕当前会话或任务组织，也可以通过持久化机制在之后恢复。
查完这次车票，轨迹能帮助我们复盘全过程。至于下次新开一个对话还能否记住“喜欢靠窗”，则要看长期记忆。
长期记忆保留跨会话有用的信息
用户长期记忆通常保存在应用的外部存储中，按用户 ID 等标识关联。新会话开始后，系统仍能找到这个用户的偏好、背景与相关事件，再按任务需要取回。
在出行案例里，值得保留的可能是“坐高铁通常喜欢靠窗”；某一次查询得到的全部余票，则未必有长期保存的价值。
可以把两者的配合理解为：轨迹保留过程，长期记忆提炼以后可能用得上的信息。
这种记忆通常通过应用层的保存和检索实现。使用时，相关信息会进入模型当前的上下文，供它生成回答或决定下一步行动。
记忆怎么存
即使决定保留同一句话，写成一条便签、一段叙述或结构化卡片，也会影响后续的检索和更新。
下面介绍四种表示方式，它们在上下文完整性、结构化程度和维护成本上各有取舍。
Simple Notes 把信息拆成简短事实
例如：
用户坐高铁喜欢靠窗。
一条便签围绕一个相对独立的事实，容易生成，也方便逐条处理。代价是背景可能被拆散：这是长期偏好，还是某次旅途的临时要求？适用于高铁，还是所有交通工具？
图中用 O(1) 强调条目的简单性，实际检索与更新的总成本仍取决于数据规模和具体实现。
因此，便签即使很短，也要保留影响理解的条件。把“坐高铁喜欢靠窗”压缩成“喜欢靠窗”，就已经丢失了一部分含义。
Enhanced Notes 用段落保留上下文
同一件事，可以写得更完整：
用户经常乘高铁出差，通常偏好靠窗座位；这次去杭州，希望上午九点以后出发。
阅读这段话，比较容易理解各项信息之间的关系。不过，长期偏好与一次性要求也混在了一起。之后改变其中一项时，需要准确找到对应部分，避免留下重复或过期的表述。
JSON Cards 把记忆放进明确字段
如果应用经常按固定条件读取偏好，可以采用结构化卡片。例如，用“类别 → 子类别 → 键值对”组织信息：
{”出行”: {”高铁”: {”座位偏好”: ”靠窗”}}}
这样，程序可以直接读取“高铁座位偏好”，也可以只修改这个字段。
需要付出的成本，是提前设计分类，并处理难以归类的信息。例如，“带孩子出行时更在意座位是否相邻”，就同时涉及同行人和出行条件，简单的固定字段未必够用。
Advanced JSON Cards 补上人物关系和时间背景
再看一句话：
上周替同事小林订票，他喜欢过道座位；我自己还是喜欢靠窗。
如果只抽取“喜欢过道”，就可能把同事的偏好写进用户画像。
增强后的卡片会进一步交代：信息属于谁、此人与用户是什么关系、在什么背景下提到、相关时间是什么。在实现中，还可以保留原始消息的引用，方便核对。
这类表示能减少人物和场景的混淆，也需要更多提取与维护工作。
实际设计时，可以考虑混合使用：对经常影响决策的关键偏好，保留更完整的结构与来源；对需要保留、但暂时不值得精细整理的事实，用简单条目承接。选择的依据，是业务需要怎样读取和更新这些信息。
记忆应该存什么
前面讨论的是保存范围与表示形式。换到内容维度，还可以借用认知科学的分类，区分工作记忆，以及长期记忆中的情景、语义和程序记忆。Agent 领域也常用这些概念解释不同的记忆用途。
工作记忆可以类比为当前任务的工作台：模型此刻能看到并用于推理的信息。上下文窗口承载这部分信息，它可能包含近期对话、工具结果，以及刚检索出来的长期记忆。
另外三类，可以继续用订票来理解：
情景记忆，记录具体经历。 例如，“上个月去杭州时，用户选择了上午十点出发、靠窗的座位”。它回答某一次发生了什么。 语义记忆，保存事实和较稳定的认识。 例如，“用户乘高铁通常偏好靠窗”。它可以来自用户的明确表述，也可以来自对多次经历的归纳。 程序记忆，保存做事的方法。 例如，“协助订票时，先确认出发地、日期和同行人，再结合偏好筛选车次”。它描述可复用的步骤。
这里有一个容易忽略的区别：一次选了靠窗，能够形成一条事件记录；要进一步判断“长期喜欢靠窗”，还需要明确表态或更多依据。
从事件提炼偏好时，保留条件和依据很有价值。否则，一次偶然选择就可能被固化为长期标签。
Mem0 和 MemoBase 怎样组织记忆
理解前面几个维度之后，再看框架的设计，就比较容易分清它们各自在处理什么问题。
Mem0 Platform V3 保留变化前后的事实
Mem0 Platform V3 的自动记忆提取流程采用ADD-only，也就是追加写入。按照官方迁移说明，新事实被保留下来，自动提取阶段不再通过覆盖或删除旧事实处理变化；检索则结合相关性与时间等信号排序。
例如，用户去年说“我住在北京”，今年说“我已经搬到上海”。保存历史后，系统面对“我现在从哪里出发”和“我去年住在哪里”，应当使用不同时间范围的信息。
这个例子说明了时间背景的作用。具体检索结果仍取决于查询与排序策略，不能假定每次都会取回全部新旧记录。
还要明确适用范围：ADD-only 描述这里的自动提取策略。Mem0 仍提供应用可主动调用的修改和删除接口；不同版本、托管平台与开源实现，也应分别查看对应文档。
MemoBase 同时组织用户画像和事件
MemoBase 的用户画像按主题与子主题组织属性，可以持续积累对用户的认识。例如，把常用出发城市和座位偏好放进出行相关主题。
事件则按时间记录交互中的变化。官方事件结构包含画像变更和创建时间，也可以带有摘要、标签。它能补充“这个人通常是什么样”之外的信息，帮助理解某项认识是怎样形成和变化的。
MemoBase 还提供缓冲与批量整理机制：新对话先进入缓冲区，在达到配置条件或主动触发后，再进行处理。这样可以合并处理相邻信息，但新记忆何时可用，也需要结合刷新策略安排。
MemoBase 官方仓库
https://github.com/memodb-io/memobase/blob/main/readme.md
这两个例子提醒我们，选择记忆框架时，除了看能否保存文本，还要看它怎样表示变化、组织用户信息，以及何时完成整理。
记忆越来越多时怎样整理
持续保存之后，同一件事可能出现很多遍，旧信息可能过期，零散细节也可能淹没关键条件。可以从重要性、聚类和抽象三个方向考虑整理策略。
按重要性安排保留和检索优先级
重要性可以参考多种信号：
访问频率：哪些信息经常参与任务。 时间衰减：临时安排是否已经失去时效。 情感强度：用户是否特别强调过某件事。 信息独特性：这条信息是否提供了其他记录没有的内容。
这些信号需要结合内容解释。某个明确的出行限制，即使很少被用到，也可能在下一次安排时十分关键；刚说过的一句临时要求，则未必应该长期保留。
把相似记忆分组并提取摘要
假设出行助手积累了十几次订票记录，可以把相似事件归在一起，提取具有代表性的摘要，减少检索时反复返回近似内容。
整理时仍要保留有意义的区别。例如，用户独自出差偏好靠窗，陪家人出行更在意连座。把两类经历全部压缩成“喜欢靠窗”，摘要反而会误导后续选择。
从多次经历中归纳偏好
进一步的抽象，是从多次选择中形成更一般的认识。例如，多次购买商品时都愿意为质量支付更高价格，可以形成“购物时较重视品质”的候选判断。
这个判断应当保留适用范围，并允许被新的明确反馈修正。用户选过几次高价商品，也可能只是因为当时缺货，不能仅凭价格就确定消费偏好。
整理记忆时，压缩的是重复表达，关键条件与变化依据需要留下。
回到开头的订票场景。一个好用的出行助手，需要在新对话里找到你的座位偏好，区分你和同行人的要求，并结合搬家、日期与当次安排作出判断。
围绕这些具体需求，再去决定保存范围、表示形式和整理方式，用户记忆系统的设计才有了可以检查的目标。
参考资料
李博杰《深入理解 AI Agent》 第三章 用户记忆和知识库
https://github.com/bojieli/ai-agent-book/blob/main/book/chapter3.md LangChain Memory overview
https://docs.langchain.com/oss/python/concepts/memory Mem0 Platform V3 迁移说明
https://docs.mem0.ai/migration/platform-v2-to-v3 Mem0 Update Memory Operation
https://docs.mem0.ai/core-concepts/memory-operations/update Mem0 Delete Memory Operation
https://docs.mem0.ai/core-concepts/memory-operations/delete MemoBase 官方仓库
https://github.com/memodb-io/memobase/blob/main/readme.md
