-----------------------------背景--------------------------
本文将结合货拉拉实际经验，系统介绍在对话式AI Agent场景基于四层渐进式记忆架构 ，实现从 "传状态"到"认知自进化" 的范式跃迁：
-
分层记忆 ：以数据底座→感知层→决策层→ 画像 层的渐进式加工链路，将原始对话流逐层提炼为可被模型直接消费的结构化认知，完成从"原料"到"养分"的转化；
-
认知飞轮 ：画像维度千人千面实时演化，沟通策略基于效果闭环自动汰劣留优，系统越用越懂用户、越用越精准，构建数据驱动的自增长智能闭环。
01 为什么要做记忆系统
1.1 背景
货拉拉用户普遍活跃于多个触点（App、小程序、H5、电话、即时通讯等），是天然的高价值用户池。用户的绝大多数行为都围绕「下单」展开，并在核心的下单动作之外，延伸出领券、邀请好友、复购等一系列伴生行为。
用户的转化通常是跨天甚至跨周的长链路（咨询/引导 → 领券/比价 → 下单/激活 → 复购/邀请）。用户从被触达到最终完成转化，中间可能经历 3--5 次会话中断、跨电话/即时通讯多个渠道。链路越长、断点越多，对对话系统的要求就越高：它必须记得住用户处于哪个阶段、上一次聊到哪、为什么犹豫或拒绝过；看得懂用户当下的真实意图与情绪；说得对因人而异的沟通策略------而这一切的前提，就是记忆。没有记忆，后面的"懂"和"对"都无从谈起。
1.2 章鱼的悲剧
章鱼是天才，但每一只都是孤立的、独立的天才。它们能：开瓶盖、伪装成 15 种生物、识别人脸、记住照护者，有实验显示会"做梦"。
但章鱼有一个绕不开的短板------它们没法把"智慧"传下去：会捕猎的章鱼妈妈，不会教小章鱼捕猎；会用椰子壳当铠甲的章鱼，不会把这招传下去。所有的"经验"------每一只都要用一辈子重新攒出来。
这正是常见对话系统正在重演的悲剧：
- 每一次对话沟通，都像一只"孤立的章鱼"------本轮聊得再顺，下一轮一切清零；
- 用户昨天拒绝过"费用贵"，今天换个渠道进来，系统又从头推荐；
- A 用户被"收益案例"打动、B 用户对"便宜"免疫------这些经验散落在成千上万通会话里，没人汇总、没人继承。
没有记忆的AI，就像没有代际传承的章鱼：个体再聪明，族群永远从零开始。
1.3 一个真实的"事故"复盘
我们抽了50通即时通讯渠道被用户删除的对话做复盘，发现被用户删除的原因不在策略、提示词、知识库这些表层，而在更底层：AI 没有记忆，就做不了跨渠道、跨会话的判断。它记不住用户上一句、上一次拒绝的原因，只能机械地"看到 A 状态 → 跳 B 策略"，最终把用户推远。
02 怎么做记忆系统
2.1 金牌顾问是怎么记住一个用户的？
一次做前期调研时，一位金牌顾问说了一句话：
"我不需要客户说'我拒绝了三次'，听语气、看回复间隔、推脱理由，我就知道他是真忙还是嫌贵、是真不需要还是再推一下就成。"
原来金牌顾问从来不是靠"标签"做决策，而是靠多模态、多层次、跨时间的记忆推理来理解用户。仔细拆解他这句话，背后藏着完整的 4 层认知链路：
| 阶段 | 关注内容 |
|---|---|
| 听原始语气 | 声音信号、未加工的事实 |
| 当时观察 | 单条消息的意图/情绪判断 |
| 当下判断 | 综合上下文给出当前该推还是缓 |
| 长期认知 | 用户是什么人、有什么偏好 |
这给了我们两个关键启发：
a. 记忆是连续的：我们要记录的不是"用户拒绝了"这个结果，而是"从敷衍到松动"的完整变化过程；
b. 记忆是分层的：信息有轻重之分，应按"原始数据 / 当时观察 / 当下判断 / 长期画像"四层递进存储。
2.2 业内常见做法
2.2.1 常见记忆系统
绝大多数对话系统采用 "传状态" 模式：把对话中的关键事件抽象为扁平标签（如"用户状态=未下单"、"拒绝原因=在忙"、"意向=高"），作为 Prompt 变量注入 LLM。这种做法能跑通，但对于复杂任务会有致命问题：
| 问题维度 | 具体表现 |
|---|---|
| 数据扁平 | 仅存结论标签，不存过程信息（语气、推脱频次），模型看到的是孤立标签而非完整证据链。 |
| 情绪无法回溯 | 只看当前消息字面，无法结合历史纠偏（如"好的好的"实为敷衍），误判后强行推进易导致用户流失。 |
| 跨会话无法续接 | 仅记录"上次拒绝"，不记中断阶段与上下文，恢复等同于从头开始。 |
| 跨渠道无法打通 | 电话与即时通讯各存一份记忆，同一用户在两个渠道被当成两个新人对待。 |
| 个性化粒度粗 | 不区分"真忙 vs 推脱"、"价格敏感 vs 嫌麻烦"，千人一面。 |
| 无自进化能力 | 策略效果黑盒，优化全靠人工复盘迭代，迭代周期 2--3 周。 |
| Token 效率低 | 无关字段全量注入 Prompt，关键信息反而缺失；且每次都要重发全部历史。 |
2.2.2 什么是好的记忆系统
好的记忆系统不是把所有信息都塞进上下文，而是只保留最相关的信息，其他内容按需存取，让模型更专注、更高效、更聪明。
对于某一类具体业务场景，也是一只"新生的章鱼"，用户每开一个新对话，对 AI 来说，就是一次"投胎"：如果不记得上周用户说过什么、不知道用户上次为什么拒绝、不知道用户的偏好&情绪&节奏，一切从零开始。这次我们要做的，就是给这套系统装上"打破章鱼悲剧"的能力------让它能记住、能累积、能进化。
鉴于此，我们结合调研内容重新设计了 4 层渐进式记忆架构------核心思想是：
arduino
把"扁平标签"升级为"原始数据→当时观察→当下判断→长期画像"的递进加工链路，让每一层都建立在上层之上2.3 四层架构总览
| 层级 | 名称 | 职责 |
|---|---|---|
| L0 | 数据底座 | 只存不判：原始消息、对话原文、事件流（100% 还原现场）。 |
| L1 | 感知层 | 只观察不决策：每条消息的意图、情绪、回溯信号、行为完成度。 |
| L2 | 决策层 | 唯一调度者：阶段状态机、策略库、规则库，"该走哪条路"由它说了算。 |
| L3 | 画像层 | 长期记忆：用户维度的 6 个核心特征（价格敏感度、信任度、操作熟练度、偏好时段、忙碌标签、回复风格）。 |
渐进式体现在两个层面：
L0 实时落库 → L1 准实时分析（每条消息后毫秒级）→ L2 实时调度（每条消息后）→ L3 24h 定时 + 实时微调
arduino
从"原始数据"到"当时观察(意图理解)"到"当下判断"到"长期认知"，每层都建立在上层之上2.4 各记忆层定义
2.4.1 L0数据底座 --- 只记录不加工
L0 是整个记忆系统的事实层，只负责忠实记录对话与事件的原始信息，不做任何加工或判断：
- 原始消息：用户/AI 的每一条消息原文、时间戳、消息 ID
- 对话原文：完整的对话流，可用于回溯
2.4.2 L1 感知层 --- 只观察不决策
意图（粗粒度意图+细粒度意图）
2.4.3 L2 决策层 --- 唯一调度者
2.4.4 L3 画像层 --- 离线沉淀
24h 定时：每日凌晨 2:00 全量重算全部 6 个维度（覆盖式 UPDATE）
会话内实时：用户每发送 ≥5 条消息，即时重算忙碌标签、回复风格两个高频维度
2.5 跨渠道记忆打通
用户在App、小程序、H5、电话、即时通讯等渠道是同一个用户，但在实现里容易被当成多个独立对话，记忆完全隔离。我们做了横向打通：
a. 身份层打通： 以用户身份标识为主键，关联电话、即时通讯的所有会话。
b. 画像层打通： L3 画像是渠道无关的------价格敏感度、信任度等维度在两个渠道共用，凌晨重算时合并两个渠道的数据。
c. 阶段层桥接： 电话结束时的 用户状态 写入 L0表，即时通讯开场时读取上次的 用户状态，决定从哪个引导目标（下单/领取/激活/分享）切入。
2.6 记忆机制怎么用
2.6.1 如何决策生成策略
以李先生发来"怎么还要花钱啊？"为例：
2.6.2 策略如何自进化
03 记忆系统做得怎么样
3.1 衡量指标
| 维度 | 指标 | 计算方式 |
|---|---|---|
| 转化 | 任务转化率 | 转化成功用户数 / 触达用户数 |
| 对话效率 | 平均消息数 | AVG(总消息数) WHERE 输出='任务转化' |
| AI 响应延迟 | 平均响应时长（消息到达 → AI 回复发送） | |
| 用户体验 | 流失率 | 流失数 / 新增总数 |
| 个性化 | 画像覆盖率 | 已更新画像用户数 / 活跃用户数 |
| 策略自进化 | 策略淘汰率 | 周期内下线/总策略 |
| 策略推进率 | 策略执行后进入下一阶段（24h内） / 该策略使用次数 |
3.2 实验结果
总结： 渐进式架构以 "单轮慢 0.2s" 的代价，换来 "转化 +1.7pp、流失 -1.6pp、画像从 0 到 75%" 的能力，值得全量。
| 维度 | 指标 | 常用记忆策略 | 渐进式记忆架构 |
|---|---|---|---|
| 实验信息 | 实验周期 | 实验时间：2周 | |
| 实验方式 | 账号分流 | ||
| 转化 | 任务转化率 | 58.3% | 60% |
| 对话效率 | 平均消息数 | 18.4 条 | 12.1 条 |
| AI 响应延迟 | 0.25s | 0.45s | |
| 用户体验 | 流失率 | 2.8% | 1.2% |
| 个性化 | 画像覆盖率 | ---（无画像能力） | 75% |
| 策略自进化 | 策略淘汰率 | ---（主要依赖于人工复盘） | 1%（下线两条策略） |
| 策略推进率 | 72% | 80% |
04 总结
-
认知的转化：技术永远在演进，我们这次最大的收获不只是关键指标的提升，更是认知上的转变。每只章鱼都是天才，但每只都要从零开始攒经验------这是它们在演化上不得不付的代价。但对 AI 来说，我们不必走这条路。AI 可以站在前代积累的肩膀上，一代比一代更懂人。
-
记忆的建立：从"传标签"到"建记忆"------AI 的下一个突破不在更准的识别，而在更深的理解。从 L1 单条意图识别升级到 L0-L3 跨时序推理，把"上下文"和"时间"还给 AI，它就能从机械执行变成有温度的沟通者，并让策略随效果自动汰劣留优。
-
能力的升维：记忆系统的应用从来不是单一场景化建设。这套"分层记忆 +认知飞轮"的底座，在用户全生命周期（从获客、激活到促活、流失挽回），在电话、即时通讯乃至任何需要"长期懂人、持续对话"的 Agent 场景，都能得到进化沿用------让 AI从单场景工具，长成越用越懂人的认知基础设施。
作者：AI 应用组｜郑绮欣、吴湖龙、张广发