专题演讲嘉宾：王世杰

在软件开发日益复杂的背景下，开发者对智能体的期望已从简单的代码生成转向深度协作。Qoder引入记忆系统，旨在让智能体具备“记住”和“理解”能力，从而更贴合用户需求、提升协作效率。传统智能体缺乏长期记忆机制，导致重复学习、上下文断裂，影响使用体验。为此，我们构建了涵盖用户偏好、项目信息、开发规范与历史经验的记忆体系，并结合LLM实现记忆的生成、检索与持续优化。通过主动教育与轻量干预机制，有效解决记忆冲突与过时问题，使智能体逐步成长为一个懂用户的开发伙伴。实践表明，记忆系统的引入显著提升了任务处理的连贯性与准确性，推动人机协作向更高层次演进。

演讲提纲

1. 问题背景与需求分析
   • 开发协作痛点：传统智能体缺乏记忆机制，导致上下文丢失、重复提问、理解偏差。
   • 用户期望升级：从“代码助手”到“可信赖伙伴”，需要具备个性化理解、历史推理与持续学习能力。
   • Qoder目标：构建一个具备记忆感知、反思能力和任务规划能力的智能体系统。
2. 方案选型与技术架构
   • 记忆体系设计：
     • 记忆类型分类：用户偏好、项目信息、开发规范、历史经验、对话风格等。
     • 记忆存储形式：结构化数据 + 自然语言文本，便于检索与更新。
   • 记忆获取方式：
     • 自动生成（LLM提取） vs 用户主动教育（指令式输入）。
   • 检索策略：基于意图识别 + 多模态召回（关键词+语义匹配）。
   • 外挂式记忆架构：采用外部知识库（如RepoWiki、Rules、Agents.md），实现高精度、可控性强的记忆管理。
3. 关键技术细节与创新点
   • 记忆生成流程：场景触发 → 信息组装 → LLM提取 → 内容解析 → 质量评估 → 冲突检测 → 合并/覆盖处理。
   • 记忆检索优化：
     • 增加前置过滤机制，避免噪声干扰；
     • 使用向量化+BM25混合检索提升相关性。
   • 记忆反思与整理：
     • 全链路监控机制，评估记忆对任务的影响（正向/负向）；
     • 动态维护工作记忆（会话级/项目级），支持自动清理与激活。
   • 类脑启发设计：借鉴生物记忆机制，强化重复学习与情绪关联记忆的建模。
4. 实施过程中的踩坑经验
   • 记忆冲突问题：新旧规则不一致时如何判断优先级？引入用户确认机制，增强透明度与可控性。
   • 过时信息干扰：未及时清理的历史记忆影响推理准确性，需定期触发“记忆整理”流程。
   • 模型幻觉风险：LLM自动生成的内容存在偏差，需设置质量评估阈值，结合人工审核机制。
   • 用户教育成本高：初期用户不熟悉“记忆操作语法”，通过交互引导与提示词优化降低使用门槛。
5. 实施效果与结论
   • 效率提升：任务执行连贯性增强，减少重复沟通与上下文切换。
   • 质量提升：基于历史经验的推理减少常见错误发生，提升代码一致性。
   • 用户体验优化：智能体逐渐形成“个性”，更贴近开发者真实工作场景。
   • 未来方向：探索参数精炼式记忆（如LoRA微调）、类脑记忆架构等前沿路径，进一步提升智能体的记忆能力与能效比。

这样的技术在实践过程中有哪些痛点？

1. 如何评价记忆的效果；
2. 如何评价记忆对产品的价值；
3. 如何平衡速度、参与率、有效率。

演讲亮点

1. 记忆网络激活策略，相关性优于推理。记忆是索引的艺术，如何完成记忆的索引和高效激活。
2. 多阶段混合检索技术，让速度、参与率、有效率实现均衡。

听众收益

1. 真实垂直业务场景的落地经验，能落地的经验才是有价值的。
2. 实践中踩过的大坑，避免重复犯错。
3. 如何让数据飞轮跑起来，让智能体持续进化。