gabrielmoreira AI Native 记忆系统设计 Skill
使用场景
- 产品需要让 AI 记住用户偏好、历史交互和过往案例
- 需要设计短期记忆、长期记忆和案例记忆的存储策略
- 需要避免记忆系统从"能力复利"变成"错误复利"
核心概念
- 记忆系统（Memory）：系统对用户、任务、案例和过程状态的持续性保留机制
- 短期记忆：围绕当前任务或近期会话保留的临时状态
- 长期记忆：可跨会话、跨任务复用的稳定背景、偏好、案例或经验
- 案例记忆：对成功样本、失败样本和人工修正的结构化沉淀
记忆系统的三类价值
- 帮助实验更贴近真实场景：实验可以使用历史任务数据
- 帮助系统构建更稳定：流程状态、案例库和用户上下文可以被复用
- 帮助生产运行形成复利：系统随着使用积累越来越多的有效材料
记忆系统流程
真实事件
→ 记忆分类
→ 权限与时效判断
→ 存储与索引
→ 后续任务检索使用
→ 人工修正与再沉淀
如果没有分类、权限和时效判断，记忆系统很容易从"能力复利"变成"错误复利"。
记忆的三种类型
1. 用户记忆
- 用户偏好、历史选择、长期背景
- 例如：客服偏好某种解释风格、用户常见问题类型
2. 任务记忆
- 当前流程状态、中间结论、执行历史
- 例如：当前会话中已提供的订单号、投诉点、已做过的解释
3. 案例记忆
- 过去成功案例、失败案例、人工修正与经验模板
- 例如："这类物流异常最后是如何解释并安抚用户的"
三类记忆的保存方式、更新方式和使用方式都不一样。把它们混成一种"通用记忆"，最后往往会让系统既难解释，又难治理。
记忆系统与数据循环
Usage
→ Data
→ 记忆系统
→ Better Capability
→ Better Product
记忆系统的本质不是"存储更多"，而是"把使用转化为可再次使用的经验"。
记忆系统在三个阶段的角色
试验展开阶段
- 使用历史任务数据做实验
- 沉淀失败样本作为评估输入
系统构建阶段
- 流程状态、案例库和用户上下文被复用
- 记忆系统成为连接实验、工程和生产的公共底座
生产运行阶段
- 系统随着使用积累越来越多有效材料
- 形成数据循环和能力复利
什么记忆值得保留，什么不该保留
值得保留
- 高质量的人工修正结果
- 反复出现的成功模式
- 用户明确表达的偏好
- 经过验证的业务规则和案例
不该保留
- 未经验证的模型输出
- 含有敏感信息的原始对话
- 已经过时的业务规则
- 明显错误的案例（除非作为反例特意保留）
记忆系统设计原则
- 分类存储：用户记忆、任务记忆、案例记忆分开存储
- 权限控制：不同角色只能访问其权限范围内的记忆
- 时效管理：记忆有有效期，过期资料自动降级或清理
- 人工审核：重要记忆的沉淀应该经过人工确认
- 可解释性：系统能说清楚"为什么使用这条记忆"
输出物：记忆系统方案
- 记忆分类架构：用户记忆 / 任务记忆 / 案例记忆的分类和存储策略
- 权限与时效策略：谁能访问什么记忆、记忆保留多久
- 存储与索引方案：如何存储、如何索引、如何检索
- 人工修正流程：如何收集人工修正、如何审核、如何沉淀
- 记忆质量评估：如何判断记忆是否在提升产品能力
使用方式
当用户提供产品场景时，自动执行：
- 分析场景需要哪些类型的记忆
- 设计记忆分类架构
- 制定权限与时效策略
- 设计存储与索引方案
- 设计人工修正与再沉淀流程
- 设计记忆质量评估机制
- 输出记忆系统方案
示例
示例：AI 客服记忆系统设计
场景描述： AI 客服系统需要记住用户偏好、会话历史、成功案例，并支持多轮对话上下文。
用户输入： "我们的 AI 客服经常忘记用户之前说过什么，每次都要重复问订单号，体验很差"
Skill 执行流程：
- 记忆需求分析
| 痛点 | 需要的记忆类型 | 优先级 |
|---|---|---|
| 重复询问订单号 | 任务记忆（当前会话上下文） | P0 |
| 不了解用户历史 | 用户记忆（长期偏好、常见问题） | P1 |
| 同样的错误重复犯 | 案例记忆（失败案例+修正） | P1 |
| 无法连续对话 | 短期记忆（多轮状态） | P0 |
- 记忆分类设计
记忆分类架构:
短期记忆（Session-level）:
- 当前会话的订单号、问题类型
- 已提供的解释、用户的反馈
- 生命周期: 会话结束后保留24小时
- 存储: Redis
用户记忆（User-level）:
- 用户偏好: 解释详细程度、沟通风格
- 历史问题模式: 常见咨询类型
- 生命周期: 永久保留，可更新
- 存储: SQL + 向量数据库
案例记忆（Case-level）:
- 成功案例: 有效的解释话术和解决方案
- 失败案例: 被投诉/升级的对话及原因
- 人工修正: 客服主管的改写样本
- 生命周期: 通过审核后永久保留
- 存储: 向量数据库（可检索）
- 权限与时效策略
| 记忆类型 | 可见范围 | 保留周期 | 清理策略 |
|---|---|---|---|
| 短期记忆 | 当前会话 | 24小时 | 自动过期清除 |
| 用户偏好 | 该用户所有会话 | 永久 | 用户可删除 |
| 案例记忆 | 全局可检索 | 永久 | 人工审核后删除 |
| 原始对话 | 审计人员 | 30天 | 自动匿名化 |
- 存储与索引方案
存储架构:
会话状态（Redis）:
key: "session:{session_id}"
value:
order_id: "12345"
issue_type: "物流延迟"
explained: ["预计送达时间", "延迟原因"]
user_feedback: "不满意"
ttl: 86400
用户画像（PostgreSQL）:
user_id: "U123"
preferences:
detail_level: "简洁"
preferred_style: "直接"
common_issues: ["物流咨询", "退换货"]
updated_at: "2024-01-15"
案例库（向量DB）:
- 成功案例向量化存储
- 支持语义相似度检索
- 关联: 问题类型 + 解决方案 + 满意度评分
- 人工修正与再沉淀流程
客服人员修改AI回复
→ 标记修正原因（不准确/不完整/风格不合适）
→ 提交审核（主管审批）
→ 通过后进入案例库
→ 定期用作模型微调样本
输出结果：
# 记忆系统方案：AI 客服
记忆分类:
类型1_短期记忆:
用途: 维持当前会话的连贯性
内容: [订单号, 问题类型, 已解释内容, 用户情绪状态]
存储: Redis Cluster
TTL: 24h
类型2_用户记忆:
用途: 个性化服务
内容: [沟通偏好, 常见需求, 历史满意度]
存储: PostgreSQL
更新: 每次会话后自动更新
类型3_案例记忆:
用途: 经验复用
内容: [问题向量, 解决方案, 满意度, 标签]
存储: Pinecone + S3
入库: 人工审核后
检索: 相似度 > 0.85
权限矩阵:
客服专员: 查看当前会话记忆
客服主管: 查看所有记忆 + 修正案例
系统: 全局检索案例记忆
用户: 查看/删除自己的偏好记忆
质量评估:
指标1: 重复询问率 < 5%
指标2: 案例采纳率 > 60%
指标3: 修正样本质量评分 > 4.0/5.0
风险防控:
- 敏感信息（手机号/地址）不进入记忆
- 用户可随时删除自己的偏好数据
- 案例库定期人工审核，移除过时样本