随着AI Agent技术在企业场景的深入应用，如何让Agent具备领域专业知识、持续学习能力以及高效的上下文管理，成为制约Agent规模化落地的核心挑战。传统Agent面临知识缺口、记忆冲突、上下文窗口溢出等问题，难以满足生产环境的复杂需求。本次演讲将分享eBay支付风控团队从零构建Agent记忆系统的完整实践，展示如何通过统一的记忆架构，解决Agent在实际应用中的关键痛点，推动Agent从原型验证走向生产应用。结合eBay支付风控的实战案例，讲解如何在企业团队中落地Agent记忆系统。

演讲提纲

1. Agent缺乏有效记忆系统在ebay支付风控团队面临的困境
   • 缺乏领域知识，靠文本搜索质量太差。
   • 同样的错误反复发生，Agent能否长记性？
   • 用超大prompt弥补知识的不足是否可行？
2. Agent记忆系统初始化
   • 如何处理不同格式，不同来源的知识？
   • 构建向量数据库的策略
   • 是否需要知识谱图？
   • 知识图谱需要预先定义schema吗？如何定义？
   • 记忆初始化的工程方案
3. Agent记忆系统高效搜索知识
   • 什么是好的搜索策略，如何实现？
4. Agent记忆系统演化
   • 记忆演化决定了Agent的能力上限
   • 如何实现稳定和高效的记忆演化，记忆演化错了怎么办？
5. 记忆系统的持续评估的方法和实践
6. Agent记忆系统在ebay支付风控项目中的应用效果

这样的技术在实践过程中有哪些痛点？

• 记忆系统初始化是质量优先还是广度优先？
• 知识图谱用静态schema还是动态schema？
• 如何取舍Agentic RAG的查询的质量和响应时间？
• 记忆的冲突是自动管理还是人工管理？

演讲亮点

• 增量式记忆演进与冲突解决机制：实现了自动化的记忆冲突检测和解决系统，支持记忆的持续演进而非静态存储；
• 闭环的记忆评估与优化系统：内置自动化记忆质量评估框架，持续验证记忆准确性和检索效果。

听众收益

• 获得一套可落地的 Agent 记忆系统设计范式和工程实践
• 掌握风控场景下提升 LLM 可靠性的实践方法
• 借鉴真实项目的技术选型与踩坑经验