我们都知道，记忆存储后，怎么能够在用户提问时召回几个质量高的记忆是核心之一。
在实战中，我在记忆存储时，让agent给其分配我给定的几个类型，并在召回时设计为，匹配到对应的关键词，并进行综合打分（语义相似度+时间匹配+置信度），结果返回的记忆一塌糊涂。
特征分配
在教程中，我观察到给定的代码是给记忆分配对应类型，进而方便后续召回。但是实际上，我发现并不是每条记忆的信息都很简单，有的记忆有时间信息，有的记忆有任务信息，到这里为止用单一关键词分配记忆类型都没问题，但一旦记忆信息里不止一条，比如"昨天会议总结了项目经验"。
那问题就来了，究竟是分配哪个关键词好呢？分配了历史关键词，那如果召回的记忆里全部是昨天只有少数会议呢，agent根本无法分辨哪个关键词更重要，也无法预知后续召回时用户的意图。那么相对好的办法，其实就是让agent根据记忆信息，自动生成多个特征，先保证不遗漏信息。
那么也许有人会问，那么多个关键词，agent怎么判断哪个优先级高呢。
分段过滤
在RAG中，有粗排和精排。从这个角度出发，我们在召回后可以一个过滤来达到粗排的作用。具体做法是，来了一个用户问题，我们先用embedding+BM25，先召回一部分记忆，然后在这一步，结合用户问题做意图解析，做硬过滤。
以我们刚才的喝水为例，用户问的是昨天会议内容细节，一开始的召回记忆就是找出了与"昨天"，"会议"相关的记忆，然后我们在第二部做硬性筛选，只召回同时有"昨天"+"会议细节"的记忆内容，然后再进一步做综合得分，这样除了可以去掉上周领导喝水这类垃圾记忆，更关键的是，可以不需要我们去优化综合得分的评判公式，因为如果不这么做，我们需要纠结有些记忆没有时间权重，是否要做权重补偿，即缺失了时间维度的信息，会相对提高其他维度的信息，但这样做很难调整，容易出现质量不高但是综合得分被补偿权重拉上来出现在top-k里的场景