P5 memory system

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

1. 分类存储：用户记忆、任务记忆、案例记忆分开存储
2. 权限控制：不同角色只能访问其权限范围内的记忆
3. 时效管理：记忆有有效期，过期资料自动降级或清理
4. 人工审核：重要记忆的沉淀应该经过人工确认
5. 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

1. 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
2. 权限与时效策略：谁能访问什么记忆、记忆保留多久
3. 存储与索引方案：如何存储、如何索引、如何检索
4. 人工修正流程：如何收集人工修正、如何审核、如何沉淀
5. 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：

1. 分析场景需要哪些类型的记忆
2. 设计记忆分类架构
3. 制定权限与时效策略
4. 设计存储与索引方案
5. 设计人工修正与再沉淀流程
6. 设计记忆质量评估机制
7. 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：

1. 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

2. 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）

3. 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

4. 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

5. 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