Article body
正文
引言
我们聊过 Data Agent 的架构、协作、纠错、落地和评估。但有一个能力，决定了它是「一次性工具」还是「越用越聪明的工作伙伴」——记忆。
没有记忆的 Agent，每次对话都是「失忆症患者」：你昨天教它「我们的财年从 4 月开始」，今天它又按 1 月算；你上周花了十分钟调通的复杂归因路径，这周它从头再摸索一遍；不同用户面对同样的分析，Agent 重复踩同一个坑。
衡石 Data Agent 构建了一套分层记忆体系：短期会话记忆让一轮对话连贯，长期经验库让跨会话、跨用户的能力沉淀复用。 本文将拆解这套让 Agent「记得住、学得快、不重复踩坑」的机制。
一、Agent 为什么需要记忆
1.1 三类「健忘」的代价
上下文丢失：多步任务中，Agent 如果只盯当前步，容易忘了最初目标，导致「走偏」。短期记忆保证任务全程聚焦。
经验浪费：一个复杂分析路径（如某类异常的标准归因流程）被某用户调通后，如果只存在于那次对话里，其他用户、下次再遇同类问题，又要从零探索。这是巨大的效率浪费。
偏好流失：用户反复纠正 Agent（「我要的是全收入口径」「别用环比用同比」），如果每次都要重新说，体验极差。记住偏好，是「懂你」的开始。
1.2 记忆不是「把对话存下来」那么简单
朴素的「存全文」方案有两个致命问题：
- 上下文窗口爆炸：历史越长，喂给模型的 prompt 越臃肿，推理变慢变贵，且早期噪声干扰当前判断。
- 噪声淹没信号：原始对话里大量无关闲聊和试错，直接回灌会让模型迷失重点。
衡石的记忆设计核心，是分层 + 提炼：不同时间尺度、不同抽象层次的记忆分开存、按需取，且记忆以「提炼后的结构化知识」为主，而非原始流水。
二、短期记忆：让一轮对话连贯
2.1 会话状态即短期记忆
在 ChatBI 多轮对话文章中我们讲了「对话状态」。Data Agent 同样维护会话状态，这是它的短期记忆：当前任务目标、已完成的步骤、中间结论、用户确认过的口径。它与对话状态的区别在于，Agent 的短期记忆还包含执行轨迹（调了哪些工具、各自结果）。
2.2 工作记忆的边界管理
短期记忆不是无限增长。衡石对会话内记忆做边界管理：
- 焦点保持：每步执行前，从会话状态中提取「与当前步相关的上下文」，而非全量，避免干扰。
- 里程碑压缩：任务的关键节点（目标确认、重要结论）作为里程碑保留，中间的试错细节逐步压缩。
- 超时清理：会话结束或超时后，短期记忆归档或清理，释放资源，但「值得长期留的」会进入经验库（见下文）。
2.3 与反思的协同
短期记忆是反思机制（见自我纠错文章）的「原材料」——Agent 反思「这步对不对」时，读的是短期记忆里的执行轨迹。两者一体两面：记忆提供回顾的对象，反思提供回顾的动作。
三、长期记忆：让经验跨会话沉淀
3.1 经验库的组成
衡石 Data Agent 的长期记忆是一个经验库（Experience Store），主要存三类知识：
任务模板：某类高频任务的「标准执行路径」。例如「门店表现诊断」的标准步骤（取数维度、归因逻辑、输出格式），被提炼为模板，下次同类任务直接复用，不必重新规划。
纠错记录：历史上 Agent 犯过的错、怎么纠正的。新任务执行时，Agent 先查经验库「这类任务容易在哪步出错」，提前规避。
用户偏好：某用户/角色的口径偏好、呈现偏好、常用维度。例如「张总看销售永远用全收入口径、按大区汇总」，记住后无需每次声明。
3.2 经验的提炼机制
原始对话不会直接进经验库。衡石在任务成功完成后，做一次经验提炼：
- 从执行轨迹中提取「有效路径」（哪些步骤是关键的、哪些试错可跳过）。
- 泛化为「可复用模板」（去掉这次特有的参数，保留通用逻辑）。
- 标注适用条件（什么类型的问题适合用这个模板）。
提炼是关键的「去噪」过程——进经验库的是「方法论」，不是「某次的具体流水」。
3.3 经验的检索与匹配
新任务到来时，Agent 先根据任务特征（意图、涉及指标/维度、复杂度）检索经验库，匹配最相关的模板和经验：
- 高度匹配 → 直接套用模板，跳过规划，大幅提速。
- 部分匹配 → 以模板为起点微调，减少探索。
- 无匹配 → 走完整自主规划，执行完再提炼新经验。
这个「检索—复用—沉淀」的循环，就是 Agent 越用越快、越用越准的根本机制。
四、跨用户与跨租户的记忆隔离
4.1 隔离的必要性
经验库如果所有用户共享，会出问题：A 用户的业务偏好（如某口径）被套用到 B 用户，造成错误；更危险的是，A 用户的数据特征（哪怕已脱敏）泄露给 B。
4.2 分层隔离策略
衡石的记忆隔离按层级设计：
- 租户级：经验库按租户隔离，不同企业完全独立，杜绝跨企业知识泄露。这与多租户架构的「App-as-Tenant」隔离一致。
- 角色级：通用任务模板可跨同角色用户共享（如「门店诊断」模板对所有区域经理可用），但带个人偏好的记忆仅限本人。
- 权限级：经验库本身受权限约束，Agent 检索经验时只取当前用户有权访问的部分。
4.3 共享与隐私的平衡
完全隔离会损失「集体智慧」，完全共享会泄露隐私。衡石的平衡点是：任务模板这类「方法」可共享，「数据特征」和「个人偏好」严格隔离。 一个门店诊断模板，全公司区域经理都能用（方法共享）；但某个经理的具体门店数据、个人口径偏好，只属于他自己。
五、记忆与学习的闭环
5.1 从纠正到学习
当 Agent 在某任务中犯错、经反思纠正后，这次「错—纠」被提炼为纠错经验存入库。下次同类任务，Agent 主动规避该错误——这是从「单次纠错」升级为「群体免疫」。
5.2 与评估体系的联动
在评估文章中我们讲了基准测试和回归测试。记忆体系与评估联动：经验库里高频被纠错的模板，纳入评估重点，验证修复是否生效；评估发现的系统性弱点，反哺经验提炼规则——哪些该记、哪些不该记。
5.3 遗忘机制
记忆不是只增不减。衡石对经验库做「遗忘」管理：
- 失效淘汰：底层语义层或数据源变更后，依赖旧结构的模板自动标记失效、停用。
- 低频衰减：长期无人命中的模板降权，避免检索噪声。
- 质量门槛：低质量、低采纳率的经验逐步清理，保持库的「信噪比」。
六、记忆的工程实现
6.1 存储选型
- 短期记忆：会话内的内存结构（状态对象），低延迟读写。
- 长期经验：持久化存储（如向量库 + 关系库）。任务模板用结构化存储便于精确匹配；经验摘要用向量嵌入便于语义检索——「找相似的过往经验」靠向量相似度。
6.2 检索的延迟控制
记忆检索是每次任务的额外开销。衡石控制检索范围（只查相关任务类型的经验）、限制返回条数、对高频模板做缓存，把记忆带来的延迟增量压到可接受范围。
6.3 与可观测性的衔接
每次记忆的写入、检索、命中，都记入 Trace。管理员能看到「这个任务复用了哪个模板、命中了哪条经验」，既用于审计，也用于优化记忆策略（如某模板命中率低，考虑淘汰）。
七、技术对比
| 维度 | 无记忆 Agent | 仅短期记忆 | 分层记忆（衡石） |
|---|---|---|---|
| 多步连贯 | 易偏 | 强 | 强 |
| 跨会话复用 | 无 | 无 | 模板复用 |
| 偏好记住 | 无 | 会话内 | 长期 |
| 纠错沉淀 | 无 | 无 | 群体免疫 |
| 隐私隔离 | - | - | 租户/角色/权限分级 |
八、FAQ
Q1：经验库会不会越积越乱、反而拖累 Agent？
靠提炼 + 遗忘机制控制。进库的是「方法论」而非流水，失效和低质经验定期清理，保持高信噪比。库的质量比数量重要。
Q2：跨用户共享模板，会不会把 A 的错误经验传给 B？
不会。进共享库的是「成功路径的方法论」，且经过泛化（去掉具体参数和数据）。纠错记录用于「规避错误」，本身不含具体业务数据。配合权限隔离，安全可控。
Q3：用户不想让 Agent 记住自己的偏好，能关吗？
能。衡石支持按用户/租户配置记忆开关。对隐私敏感的场景，可关闭长期偏好记忆，仅保留会话内短期记忆，平衡个性化与可控性。
九、总结
Data Agent 的智能，不仅在于「这一次做对」，更在于「下次更快更准」。衡石通过短期会话记忆 + 长期经验库的分层设计，让 Agent 既能在一轮对话里保持连贯，又能在跨会话、跨用户间沉淀和复用方法论。
核心认知是：记忆是把「个体的一次成功」变成「系统的持久能力」的转化器。 当 Agent 记得住你的偏好、复用得了调通的路径、避开得了踩过的坑，它才真正从一个「每次重启的临时工」，成长为「越用越顺手的老搭档」。