长期记忆是怎么写入的？摘要与向量化

对话一关就忘，是普通 AI 助手和成熟 AI 智能体的分水岭。智能体之所以「越用越懂你」，靠的是长期记忆：把重要信息写进外部存储，下次任务时再取出来用。写入是记忆系统的第一环，分两步走——先摘要，后向量化。

对话结束，值得留下的才进档案

不是所有对话内容都值得记。全程逐句存档，存储会爆，检索时噪声也大。写入前先筛选，通常值得留的有三类：用户的稳定偏好，比如「输出要用表格」「别写套话」；任务的关键结论，比如某次调研的核心发现；纠正与反馈，比如用户明确指出过的错误。

临时性的中间过程、已经过时的旧结论，一般不进长期记忆，顶多在任务期内短期保留。

摘要压缩：把长对话变成几句话

原始对话动辄几千字，直接入库又占空间又难检索，所以写入前要先做摘要。摘要由模型完成，带着「这条记忆将来会被怎么用」的问题去压缩：用户偏好压成一句明确陈述，任务结论压成带背景的短段。

摘要要保留「什么时间、什么场景、谁说的」这类元信息，光留结论不留语境，将来检索出来也不敢直接用。腾讯元宝、智谱清言这类产品里的「记住我的偏好」功能，背后就是这套摘要写入在跑。

向量化：给记忆装上门牌号

存进去只是第一步，将来还要按「意思」找出来。向量化就是让嵌入模型把每条摘要变成一串数字向量，语义相近的内容，向量也相近。原始文本没法按语义搜，向量可以。

写入时通常存两份：原文摘要存一份，向量存一份，向量相当于记忆的门牌号。没有向量化，检索只能靠关键词硬匹配，你问「我的写作风格偏好」，它就找不到写着「行文少用感叹号」的那条记忆。

写入的时机与更新

什么时候写？常见两个时机：任务收尾时把本次任务的结论与教训批量写入；对话中出现明确偏好或纠正时即时写入。即时写入保真度高，批量写入省调用，成熟系统两者混用。

更新比写入更关键。同一偏好的新表述来了，应该覆盖或合并旧条目，而不是再存一条，否则检索时会召回两条互相矛盾的记忆。给记忆打标签、记版本，就是为了将来能干净地更新。

写入时机决定保真度，更新方式决定记忆会不会打架。

留一手：可删除与可追溯

记忆写入还要预留退路：用户要求删除某类信息时，系统能按条删干净；某条记忆引起过错误行为时，能追溯它是什么时候、从哪段对话写进去的。所以每条记忆都带来源标记和时间戳，这既是礼貌也是安全阀。

记忆写入四步

• 筛选：偏好、结论、纠正三类优先入库
• 摘要：连结论带语境压缩成短条目
• 向量化：生成语义门牌号，支持按意思检索
• 更新：新旧合并去矛盾，留时间戳与来源

翻翻你常用的智能体记住了什么，三条记忆里能有两条真的有用，写入就算合格。

延伸阅读：存好的记忆怎么找回来，见记忆是怎么检索的？相关片段召回；单任务内的信息怎么消化，参考观察结果是怎么被消化的？关键步骤一次讲清；任务何时算完才触发写入，见循环是怎么退出的？完成判据，从原理到落地；多智能体共享记忆的前提，看多 Agent 是怎么分派任务的？。

关于记忆写入的三个常问问题

• 记忆越多越好吗？：不是。记忆库像衣柜，定期清理过时条目比一味囤积更重要，检索质量取决于信噪比而不是总量。
• 用户能看见智能体记了什么吗？：好的产品应该让用户可查看、可修改、可删除，记忆是替用户保管的，不是产品私有的黑箱。
• 摘要这一步会引入偏差吗？：会，压缩必然有取舍。对策是重要记忆保留一句原文引用，将来核对时有据可查。