一句话总结：记忆读写 = 写入做"语义提纯"（LLM 抽取事实/偏好/教训，ADD/UPDATE/DELETE/NOOP 四操作）+ 检索做"三信号召回"（语义+关键词+实体）+ 遗忘做"生命周期管理"（时间衰减/热度/覆盖/分级）——记忆不是存下来，是全生命周期治理。

写入策略（非实时，会话间隙/后台）

• 事件驱动 + 策略抽取：感知到用户行为/对话/事件 → LLM 信息提取分类 → 四操作：
  • ADD（新事实）/ UPDATE（覆盖旧值）/ DELETE（失效）/ NOOP（不存）
• 语义提纯：从闲聊和工具结果里提取值得长期记住的"事实/偏好/教训"——不是原样存对话
• 写入时机：通常对话结束后（短期记忆是工作台，长期记忆是笔记本）

检索策略（每轮对话前）

• 当前输入 → 三信号混合检索：
  1. 语义向量（主，余弦相似度）
  2. 关键词匹配（精确命中）
  3. 实体关联（知识图谱）
• 召回最相关 K 条注入短期记忆，不全量灌入上下文

遗忘与维护（拉分点）

机制	规则
时间衰减	超时长未访问的低频记忆自动标记删除
热度更新	被检索/被使用的记忆自动刷新热度与过期时间
覆盖更新	用户新信息覆盖旧冲突信息
重要性分级	核心偏好/关键任务永久留存，次要自动遗忘

分层存储实践

• 短期记忆 → Redis 带 TTL（快、自动过期）
• 长期记忆 → 向量库 pgvector（按相似度召回）
• 团队记忆 → 关系库（规则/口径/共享知识，权限清楚）

面试要点

• 能默写写入四操作（ADD/UPDATE/DELETE/NOOP）
• 能讲"语义提纯"（提取事实而非存原文）
• 能说三信号检索
• 能讲遗忘四机制（衰减/热度/覆盖/分级）

相关概念

• [AI-Agent-记忆分层与架构](/学习笔记/AI技术/AI Agent/AI-Agent-记忆分层与架构) — 记忆层级
• [AI-Agent-记忆工程工具与实战](/学习笔记/AI技术/AI Agent/AI-Agent-记忆工程工具与实战) — 工具落地
• [AI-Agent-向量数据库运维与一致性](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库运维与一致性) — 存储载体
• [AI-Agent-自我反思与改进机制](/学习笔记/AI技术/AI Agent/AI-Agent-自我反思与改进机制) — 教训沉淀