3.1 用户记忆系统：三层评估与四种存储范式

本节要点：跳出单轮上下文，理解 Agent 跨会话长期记忆（User Long-Term Memory）的构建法则。掌握衡量记忆优劣的三层进阶评估体系；对比四种典型记忆存储格式的表达力与开销；透视认知科学映射（情景/语义/程序记忆）与可执行代码记忆（User as Code）范式。

1. 记忆的双层时空：轨迹 (Trajectory) vs. 长期记忆 (Long-Term Memory)

在设计记忆系统前，必须首先厘清“短期单会话日志”与“跨会话长期沉淀”的区别：

🔑 核心哲学：轨迹是原始日志（Log），长期记忆是提炼档案（Archive）。混淆两者的系统，要么让 Context 被日志淹没，要么在提炼时丢失溯源证据。

2. 评测记忆能力的“三层进阶框架”

如何客观证明你的记忆系统比别人的更聪明？《AI Agents in Depth》建立了从简单召回到前瞻预测的 3 个等级：

Level 1（基础召回）：用户此前说“我的会员号是 12345”，后续询问时能百分之百精准命中返回。
Level 2（跨会话消歧与关联）：用户在不同时间讨论过“本田”和“特斯拉”。当用户发来“帮我预约汽车保养”时，Agent 能识别拥有两辆车，主动反问：“您指的是周五已预约的本田，还是尚未预约的特斯拉？”面对夫妻双方前后矛盾的转账修改，能根据时间线准确判断最终有效意图。
Level 3（主动服务 - 最高试金石）：综合相隔数月的孤立事实产生先验洞察。例如用户新订购了去东京的国际机票，Agent 调阅数月前的护照档案，主动提醒：“您的护照将在下月到期，不符合入境 6 个月有效期要求，建议立即加急补办！”

3. 四种用户记忆存储格式演进对比

存储格式	数据结构示例	核心优势	主要缺陷与代价
1. Simple Notes	`"user.email: a@b.com"`	写入极快，$O(1)$ 操作，Token 消耗极小	割裂了复合事实的内部因果关联
2. Enhanced Notes	`"用户在科技公司任高级工程师，带领5人团队..."`	语义叙事完整，上下文丰富	冗余度高，单属性变动需重写整段
3. JSON Cards	`work.position.title = "Lead"`	层次分明，支持部分字段局部精准更新	难以容纳跨维度的复杂边缘事实
4. Advanced JSON Cards	包含 `person`, `relationship`, `backstory`, `timestamp`	精准同名消歧（区分我的牙医 vs 父亲的牙医）	维护与提炼的 LLM 调用成本较高

4. 前沿探索：可执行代码记忆 (User as Code)

当文本卡片遇到复杂的条件判断、时效推算和药物过敏检测时，语言模型的“心算”极其不可靠。《AI Agents in Depth》提出的 User as Code 将用户记忆表示为强类型的 Python 对象与确定性规则函数：


# ── 用户状态被建模为强类型可执行对象 ──
state = {
    "passport": PassportInfo(number="AB1234567", expiry_date=date(2027, 2, 18)),
    "trips": [
        Trip(destination="Tokyo", departure_date=date(2026, 10, 15), is_international=True)
    ]
}
 
# ── 约束检查完全由确定性代码执行，拒绝模型幻觉 ──
def check_passport_validity(state):
    for trip in state["trips"]:
        if trip.is_international:
            days = (state["passport"].expiry_date - trip.departure_date).days
            if days < 180:
                emit_alert(f"护照有效期仅剩 {days} 天，不足 180 天要求！", trip)

通过“代码存储状态，函数执行规则”，使状态聚合、冲突检测与约束校验能够在客观世界被绝对验证。

5. 随堂巩固自测

Interactive Practice · 概念巩固

在为家庭管家 Agent 设计用户记忆架构时，为了有效区分家庭中多个成员的同名联系人（如用户的医生与父亲的医生），最佳的存储方案是？

📚 权威拓展与延伸阅读

📖 教材章节：《AI Agents in Depth: Design Principles and Engineering Practice》（李博杰，2026）第 3 章第 3.1 节。
➡️ 下一节：3.2 生产级 RAG：分块、混合检索与神经重排