Agent 记忆的业界主线是对话与个性化：主流框架记住”用户说过什么”。但工业多智能体更缺的记忆是”这家企业的数据语义”——指标的分子分母、同一工单号在不同表里的多种写法——它们不在对话流里，在数仓、代码与文档里；而且写错的记忆比遗忘更危险：我们实测只注入一半语义，正确率反而低于不注入。

本次演讲分享把企业数仓沉淀为多智能体共享语义记忆的工程路径：写入侧大模型只提议、真实数据裁决、证据分级入库；冲突用时间轴校验、双源融合与对抗评审消解；使用侧按对象锚定动态构建上下文；教训沉淀为可插拔提示词组件与回归断言。结论：企业语义记忆是需要治理的资产——写入有裁决、冲突有消解、经验能沉淀、错误可撤销。

演讲提纲

一、为什么业界记忆框架搬不进工厂

• 记忆热潮的主线：Mem0、Zep（时序知识图谱）、Letta/MemGPT 等框架解决的是”跨会话记住用户”——记忆主要来自对话与交互流
• 工业 Agent 的记忆缺口：要记的不是”用户偏好”，而是”直通率的分子分母是什么、工单号在不同表里有几种写法”——这些语义不产生于对话，藏在数仓表结构、建表代码与工艺文档里，且没有外键、命名晦涩
• 写错比不记更危险：学界正在讨论记忆污染（memory contamination），企业场景的代价是口径错账——我们的实测：只注入实体与关系、不带指标口径，回答正确率反而低于完全不注入，模型会更自信地选错表
• 本场主张：企业语义记忆是资产，要治理——写入有裁决、冲突有消解、经验能沉淀、错误可撤销

二、记忆从哪来：语义记忆的受治理写入

• 记忆的结构与置信分层：对象、关系、事件、指标、动作、场景六要素；每条记忆带证据等级——数据验证（verified）、人工断言（asserted）、缺口（gap）——类比业界情景记忆/语义记忆分层，区别在于置信等级由真实数据裁决产生，不由模型自评
• 写入把关：大模型只提议、真实数据裁决——取值重叠度须过阈值、子键不唯一、父键接近唯一、列名有据可依，四道判据缺一不可；通不过的降为候选，不入正式记忆
• 踩坑之一：时序假象。同一对字段在单日窗口下取值完全重合，看上去就是一条真关系，窗口拉长到一个月即崩塌——采样窗口不足一律不予写入
• 冲突消解三招：时间轴校验（排除巧合性重合）、双源融合（代码中的 JOIN 证据优先于命名推断）、对抗评审（独立评审多数否决即打回重抽）
• 踩坑之二：人工断言冒充数据验证。早期实现允许把人工确认写成 verified，记忆置信被悄悄稀释；现在这条纪律写进接口签名——人审只产生”断言”，verified 只能由数据裁决产生
• 与业界方案的分工：时序知识图谱记忆（如 Zep 的双时序边）回答”事实何时有效”；我们在企业库场景回答”这条记忆该不该写入”——记忆生命周期的两端，可互补

三、记忆怎么用：共享、调度与动态上下文构建

• 共享语义记忆：多个智能体读写同一套语义，“工单”在所有 Agent 中是同一个”工单”；写权限唯一收口——大模型唯一的写路径是把自然语言翻译成带类型的受治理操作，预览、人审后落盘，全程可回滚
• 记忆调度即上下文构建：按问句锚定对象→沿已验证关系召回子图→挂指标口径与术语，成套注入；只注入锚定命中的子图而非全图，兼顾上下文长度与成本
• 踩坑之三，存而不用：数百条中英术语词典建成后，检索链路曾长期没有消费它——由此提出”消费方审计”：每新增一类记忆，必须答得出”它的消费方在哪”
• 用记忆做指代消解（本体即实体注册表）：多轮对话中的指代（“它／该产线”）显式回填上文命中的对象，不引入通用 NLP 组件；中文表名后缀剥离——“销售订单事实表”须按”销售订单”命中
• 答案的可追溯与拒答规范：答案同屏给出指标口径卡（计算口径、出处表列、血缘入口）；实体未在记忆中命中即明确拒答，不做无锚定的自由生成

四、记忆怎么长：经验沉淀与持续学习闭环

• 程序性记忆的沉淀：把建模教训做成可插拔的提示词组件注入构建流程——对比实验：注入”建模规范”组件后，对象与关系候选大幅收敛、已验证占比明显上升、关系动
• 词全部落入白名单，“经验轨迹→Skill”有可对照的产物证据
• 教训固化为代码而非文档：踩过的坑各有归宿——时序假象固化为采样窗口判据、断言冒充固化为接口签名、存而不用固化为消费方审计清单、跨引擎模型名错配固化为运行时模型族校验、数据对不上账固化为分层对账检查项
• 证据回流：用户反馈→评审队列→记忆修订→下游即时生效（评审否决一条关系，引用它的查询立即被拦截）；版本快照与一键撤销保证记忆修订可逆
• 持续学习的度量：自建金标评测集（Spider、BIRD 等公开基准覆盖不了企业口径与脏数据），金标先在库上实跑校准；评测暴露的”记忆的病”往往是数据的病——汇总层与明细层对不上账，处置是把分层对账固化为数据质量检查项

五、边界与取舍

• 写入把关的覆盖率代价：宁缺勿滥会把部分真知识挡在正式记忆之外——我们选择”缺口透明”而非”虚假完整”
• 前置条件：指标口径要有人拍板，这是管理问题不是技术问题
• 什么时候不需要：单表能答、口径唯一的场景，一条 SQL 就够
• 收束：记忆不是缓存，是需要治理的资产——写入有裁决、冲突有消解、经验能沉淀、错误可撤销

实践痛点

• 写入把关的覆盖率与准确性之争：数据裁决宁缺勿滥，代价是把一部分真实存在但证据不足的关系挡在正式记忆之外，覆盖率承压；我们选择把它们透明地放进候选与缺口清单，而不是降低门槛换虚假完整——但这意味着冷启动阶段记忆覆盖有限
• 共享记忆的写治理成本：多智能体共享一套语义，写权限必须唯一收口、高风险改动必须人审，换来一致性与可追责，代价是写入吞吐受限，不适合高频自动写入的场景
• 遗忘与审计的张力：错误记忆要能撤销，但审计要求留痕——我们采用”降级候选＋版本快照”而非物理删除，存储与检索都要为历史版本付成本
• 判据阈值是工程经验值：取值重叠度、父键唯一性等判据的阈值来自实践调优而非理论最优，跨行业迁移时需要重新标定，且每条判定都要留下依据供复核
• 评测的外部效度：自建合成基准可复现、金标可校准，但规模有限，不等于真实客户库表现；真实库评测涉及数据授权，只能分阶段推进

演讲亮点

• 记忆来源与写入裁决方式不同：主流记忆框架（Mem0、Zep、Letta 等）主要从对话与交互流萃取记忆，写入由模型判断；我们从数仓表结构、建表代码与文档萃取企业语义记忆，每条记忆写入前由真实数据裁决（取值重叠、父键唯一性、时间轴校验），“该不该记”有可复核的证据，不靠模型自评。
• 对记忆污染给出工业可用的工程防线：证据三级分层＋写入把关＋“人工断言永不冒充数据验证”（写进接口签名而非规章），并配套消费方审计与可逆修订——对应学界记忆污染议题，给出一套在企业场景跑通的完整防线。
• “经验轨迹沉淀为 Skill”有产物级证据：把建模教训组件化为可插拔提示词组件，用同目标对比实验展示注入前后产物的可见差异（候选收敛、已验证占比上升、动词全部落入白名单）——程序性记忆的沉淀不停留在概念，可逐条对照验收。

听众收益

• 一套企业语义记忆的组织方法：六要素结构、证据三级置信、“数据裁决产生置信”的写入设计，可直接套用到自家数据 Agent
• 冲突消解三招：时间轴校验、双源融合（代码证据优先于命名推断）、对抗评审——每招都配真实踩坑案例
• 记忆调度的上下文构建方法：对象锚定、子图注入、指代回填、消费方审计清单
• 程序性记忆沉淀的可操作路径：教训如何组件化、如何写进接口与回归断言、如何用对比实验验收沉淀效果
• 一份边界清单：写入把关的覆盖率代价、共享记忆的写治理成本、遗忘与审计的取舍，以及”什么时候不需要这套记忆”