别再给 AI 塞聊天记录了，它真正缺的是用户模型

用户记忆不是聊天记录，而是可更新的用户模型

用户记忆系统不是把聊天记录存起来，而是给 Agent 建一套可更新的用户模型。

现在很多产品一提 AI 记忆，第一反应就是：把聊天记录存起来，需要时检索一下，再塞回上下文。

这个方向不能说完全错，但它太浅了。如果只是保存历史对话，那叫归档；如果只是向量检索，那叫搜索；如果只是把旧内容塞回提示词，那叫补上下文。

真正的用户记忆系统，目标不是让 AI 复述“你以前说过什么”，而是让它知道：什么信息会影响下一次行动。

聊天记录不等于用户模型

低级记忆保存过去，高级记忆预测下一步。

所以用户记忆不是聊天记录。它是 Agent 对用户建立的一套动态用户模型。

它要回答的不是“用户说过什么”，而是这个人是谁、长期在乎什么、和哪些人或资产有关、哪些偏好稳定、哪些信息过期、哪些记忆之间有冲突，以及什么情况下 Agent 应该主动提醒。

用户记忆是动态用户模型

从记住事实，到理解关系，再到主动服务

判断一个 Agent 有没有真正的记忆，不能只看它能不能答出旧问题。能记住邮箱、会员号、常用地址、过敏信息，当然重要，但这只是事实回忆。

• 事实回忆：能准确找回用户明确提供过的信息，这是记忆系统的底线。
• 关系推理：能区分本人、家人、资产、任务和时间关系，避免把别人的偏好用到用户身上。
• 主动服务：能在用户没说出口时，整合长期信息，提前发现风险或机会。

比如订国际机票时提醒护照即将过期；手机摔坏时主动整合厂商保修、信用卡延保、运营商保险；报税季到了，从过去一年的记录里整理可能相关的材料。

真正的助理，不是等你把问题说完整。

三层能力阶梯

记忆系统先别急着上 RAG，先分清三种东西

很多记忆系统做不好，是因为一开始就把所有东西都丢进同一个池子里。聊天记录、用户偏好、任务状态、订单信息、工具结果，全混在一起。

最后系统看起来什么都记了，真正用的时候却乱成一团。一个可用的 Agent 记忆系统，至少要分清轨迹、长期记忆、业务状态。

• 轨迹：解决“刚刚发生了什么”，包括用户消息、模型回复、工具结果。
• 长期记忆：解决“这个用户长期是谁”，包括偏好、关系、身份和长期约束。
• 业务状态：解决“这件事推进到哪了”，比如待付款、审批中、已完成。

轨迹不是长期记忆，长期记忆不是业务状态，业务状态也不应该被伪装成用户偏好。

轨迹、长期记忆、业务状态

越可能影响行动的记忆，越不能只存一句话

用户记忆怎么存，不是越复杂越好。简单事实可以简单存，比如邮箱、常用语言、长期偏好。这类信息用 Simple Notes 就够了，成本低，读写快。

但有些信息不能只存一句话。凡是涉及人物关系、来源、时间、置信度和冲突消解的内容，都更适合做成 Advanced JSON Cards。

• Simple Notes：适合低风险、低成本、无歧义的事实。
• Enhanced Notes：适合保留完整语境，但更新和检索成本更高。
• JSON Cards：适合结构清晰、可局部更新的偏好和属性。
• Advanced Cards：适合需要消歧、溯源、更新和权限治理的关键信息。

这看起来麻烦，但它解决的是生产系统里最常见的问题：消歧。AI 记忆最可怕的不是忘记，而是自信地记错。

四种记忆存储格式

真正高级的记忆，不只是记偏好，而是记协作方式

用户记忆还要分清存的是什么。这里有三类最关键的长期记忆：情景记忆、语义记忆、程序记忆。

• 情景记忆：记录发生过什么，比如上次旅行取消，是因为航班改签。
• 语义记忆：抽象出稳定事实，比如用户偏好直飞航班，或者对花生过敏。
• 程序记忆：记录用户习惯怎样做事，比如先要框架，再要标题，再要正文，再要配图。

很多产品只做到了语义记忆：你喜欢什么，你讨厌什么，你是谁。但长期助理需要程序记忆。它知道下次和你一起做事时，流程应该怎么走，哪些步骤要提前做，哪些坑不用重复踩。

Agent 真正懂你，不只是知道你的偏好，而是知道怎样和你协作。

情景、语义、程序三类记忆

最实用的落地方案：双层记忆架构

如果要把用户记忆系统真正做起来，我认为最稳的是双层架构：一层常驻，一层按需检索。

• 常驻记忆层：始终进入上下文，但必须小而关键。这里放身份信息、关键偏好、重要人物关系、长期禁忌、当前活跃目标和高风险提醒。
• 按需检索层：大量历史细节不常驻上下文，而是在需要时通过 RAG 检索。这里放历史对话、文件、订单、合同、任务过程和原始证据。

常驻层负责方向感，检索层负责证据感。

这比“把所有历史都塞进向量库”更可靠。Agent 每次行动时，既不会被无关历史污染，也能在需要时追溯细节。

常驻层加检索层

生产级难点：记忆不是功能，而是治理系统

很多 demo 里的记忆功能，看起来只差一个向量库。但一到生产环境，真正卡住的往往不是存储，而是治理。

什么值得记？谁允许它被记住？旧记忆和新记忆冲突怎么办？记忆什么时候过期？用户如何查看、修改、删除？敏感信息如何避免误存？低置信度记忆是否需要再次确认？

没有治理的记忆系统，不是智能资产，而是一个会持续积累错误和偏见的系统。

• 写入前判断值不值得记。
• 写入时保留来源和置信度。
• 使用时检查场景是否匹配。
• 冲突时触发更新或澄清。
• 过期后自动降权或删除。

这也是为什么“记忆开关”只是最表层的功能。真正的记忆系统，背后是一整套更新、验证、权限和回滚机制。

记忆治理闭环

别凭感觉验收记忆系统

记忆系统不能靠演示验收。演示很容易做：让用户说一句“我喜欢美式咖啡”，下次问它，它答出来。

但这只能证明它会保存一个事实，不能证明它能长期服务用户。更合理的评估应该看召回、冲突、过期、误存这些真实问题。

• 事实召回率和多会话检索准确率。
• 人物关系识别和冲突解决正确率。
• 主动提醒命中率和错误记忆率。
• 过期记忆清理率和敏感信息误存率。

一个记忆系统如果只能追加，不能更新和删除，它迟早会拖垮 Agent 的可靠性。

记忆系统评估面板

Agent 的护城河，是长期关系能力

模型决定单次对话有多聪明。工具决定 Agent 能不能行动。记忆决定 Agent 能不能长期服务。治理决定用户敢不敢信任它。

没有记忆，Agent 永远只是一次性工具。有了记忆，Agent 才开始拥有连续性。但只有可治理的记忆，才配进入真实世界。

下一次见到你时，不用从零开始认识你。

从一次性工具到长期助理

JOTO 企业落地观察

• 企业部署用户记忆系统时，首要取舍在于常驻层与检索层的边界划分——常驻层过大将显著抬高 LLM 上下文成本与幻觉风险，过小则削弱连续性；需基于业务高频动作反推最小必要记忆集。
• 这类系统的 RAG 知识工程难点不在向量检索本身，而在长期记忆与业务状态的元数据建模：同一份订单信息，在轨迹层需记录操作时序，在业务状态层需标记审批节点，在长期记忆层需沉淀用户对交付时效的隐性预期。
• AI 安全治理必须前置嵌入记忆生命周期：写入时的敏感信息过滤、使用时的场景适配校验、过期时的自动降权策略，均需独立于大模型推理链路，形成可审计的旁路控制平面。
• 企业智能体工程中，“程序记忆”的落地直接关联 FDE 驻场共创深度——用户协作流程（如“先框架再标题”）无法通过日志自动归纳，必须由业务专家与工程师共同标注、验证并固化为可执行规则。