Long-term Memory：跨会话可复用知识

长期记忆跨任务或跨会话保存，可能包含用户稳定偏好、项目约定、实体事实、成功策略、失败教训和历史摘要。它不是把所有聊天永久向量化，而是一个有写入门槛、来源、更新和遗忘策略的知识系统。

1. 记忆类型

• Semantic memory：稳定事实与概念，例如项目使用 Vue/Nuxt。
• Episodic memory：某次任务发生了什么、结果如何。
• Procedural memory：可复用流程、Skill 或操作步骤。
• Preference memory：用户明确表达且长期稳定的偏好。

不同类型的更新、检索和保留周期不同。

2. Memory Record

Python复制
from dataclasses import dataclass
from typing import Literal

@dataclass(frozen=True)
class MemoryRecord:
    id: str
    kind: Literal["semantic", "episodic", "procedural", "preference"]
    subject: str
    content: str
    source_refs: tuple[str, ...]
    confidence: float
    valid_from: str
    scope: Literal["user", "workspace", "project", "task"]
    sensitivity: str
    valid_until: str | None = None
    supersedes: str | None = None

Rust复制
enum MemoryKind {
    Semantic,
    Episodic,
    Procedural,
    Preference,
}

enum MemoryScope {
    User,
    Workspace,
    Project,
    Task,
}

struct MemoryRecord {
    id: String,
    kind: MemoryKind,
    subject: String,
    content: String,
    source_refs: Vec<String>,
    confidence: f64,
    valid_from: String,
    valid_until: Option<String>,
    supersedes: Option<String>,
    scope: MemoryScope,
    sensitivity: String,
}

JavaScript复制
/**
 * @typedef {{
 *   id: string,
 *   kind: 'semantic'|'episodic'|'procedural'|'preference',
 *   subject: string,
 *   content: string,
 *   sourceRefs: string[],
 *   confidence: number,
 *   validFrom: string,
 *   validUntil?: string,
 *   supersedes?: string,
 *   scope: 'user'|'workspace'|'project'|'task',
 *   sensitivity: string
 * }} MemoryRecord
 */

TypeScript复制
type MemoryRecord = {
  id: string
  kind: 'semantic' | 'episodic' | 'procedural' | 'preference'
  subject: string
  content: string
  sourceRefs: string[]
  confidence: number
  validFrom: string
  validUntil?: string
  supersedes?: string
  scope: 'user' | 'workspace' | 'project' | 'task'
  sensitivity: string
}

来源、适用范围和有效期非常重要。没有这些字段，旧项目事实可能污染新项目，临时偏好也可能被当成永久偏好。

3. 写入策略

候选记忆先经过：

1. 是否对未来任务有复用价值；
2. 是否来自明确陈述或可靠证据；
3. 是否与已有记忆重复或冲突；
4. 是否适合保存；
5. 适用 scope 与 TTL；
6. 是否需要用户确认。

模型提出候选，确定性规则或人工确认决定最终写入。

4. 检索策略

结合：

• 当前任务与 workspace scope；
• 语义相似度；
• 关键词/实体匹配；
• 新鲜度；
• 置信度；
• 使用频率；
• 冲突与 supersedes 关系。

返回给模型时标注“来源于历史记忆，可能需要刷新”，并尽量用当前工具验证容易变化的事实。

5. 更新与遗忘

• 新事实不应直接覆盖旧记录，而是建立版本或 supersedes；
• 对时间敏感事实设置 TTL；
• 低置信、长期未使用、已冲突的记忆降权；
• 支持按用户、项目、主题删除；
• 删除后同步清理向量索引与缓存；
• 记录谁在何时写入、读取和修改。

6. 风险

• 错误事实被长期放大；
• 跨项目泄漏；
• 用户临时要求被误当永久偏好；
• 记忆检索结果形成 prompt injection；
• 删除只删主表，向量副本仍存在；
• 过度记忆导致每轮上下文噪声。

参考资料

• Generative Agents
• Mem0
• Letta

7. 长期记忆的三种语义

长期记忆应有 namespace、主体、来源、时间、置信度、版本和过期策略。仅存一段无来源自然语言，会使后续系统难以判断该事实属于谁、是否仍有效。

8. 写入与读取是两套决策

写入可在响应热路径完成，也可由后台任务整理。热路径及时但增加延迟；后台整理能合并冲突和去重，但存在最终一致性。读取时不能只做向量相似度，还要过滤主体、权限、时间和任务范围。

参考：LangGraph 长期记忆文档。