Agent 的 Memory 问题一直都是 Agentic AI 的路上无法避免的话题，但是主流解决方案都在尝试用封闭域的解决方案解决开放域的问题，往往会导致人与 Agent 的上下文鸿沟，Agent 不知道什么是重要的，什么是用户需要的，什么是应该疑问的，Dify 将使用一套合理的产品设计来保持人与 Agent 的对齐。

演讲提纲

几乎所有熟悉 LLM 的人都会碰到下面这些很麻烦的问题：

• N 轮对话过后模型记不得自己说了什么，忘了用户要求过什么。
• 一个任务模型执行了一次失败了结果两分钟过去它又跑一次，始终跑不对。

一切的问题根源来自于 Transformer 最开始无状态的设计：

• 全量的、事无巨细的一切内容都被保留，从而便于模型玩成语接龙
• 没有一个和 Messages 分离的 状态 可以保存高度浓缩的精华，就算有也难以修改

但是什么是重要的？什么是可以被丢弃的？什么时候又该更新记忆？似乎太过于主观：

• 模型自身本来就存在于人类意志不对齐的情况
• 人与人之前的信息不对齐也是常态，这在管理学中是一个复杂的系统工程

如果将一切的判断交给模型，难免会出现用封闭域的解决方案去套开放域的问题这类通用方案的旧病，模型是服务于人类的，需要时刻与人类保持意见对其，因此，需要有一种方案可以让用户决定这些背后的细节。

设计理念

• 选择交给用户，不要将过多的未知数留给模型，避免去解决开放域的问题
• 需求驱动，在用户不使用帮助文档的情况下可以理解，带着需求来就可以理解每个每个细节的作用

您认为，这样的技术在实践过程中有哪些痛点？

• 会给用户带来一定的心智负担，任何任务的复杂性都不会消失只会转移，但人类应该明确自己的需求，并时刻保持与模型的上下文的对齐

演讲亮点

• 避免了使用封闭域的解决方案解决开放域的问题
• 高度保持与用户的认知对齐

听众收益

• 了解当前行业内的 Memory 进展
• 了解 Dify 在 Memory 的未来方向
• 认识到 Memory 背后不可忽视的工程复杂度与设计哲学