7.9
深览指数
科技人人都是产品经理·是AD··AI 生成
Context Graph：记忆的正确存储方式不是向量库，是图
本文提出，Agent 记忆架构的核心不是存储，而是治理。作者主张以图结构替代向量库，并详细拆解了从实体抽取分层流水线（spaCy→GLiNER→LLM）、三层记忆（短期/长期/推理记忆）协同设计，到企业级 AI 问答的三大关键判断。文章核心贡献在于将记忆问题从“存什么”转向“怎么治理”，并给出了可落地的工程架构与最小可用图建议。适合正在设计或优化企业级 AI Agent 记忆系统的技术负责人与架构师阅读。原文 ↗
核心观点
- ▍Agent 记忆的核心不是存储，而是治理：治理实体、治理路径、治理记忆，Agent 才能真正越用越好。
- ▍推荐使用图结构（Graph Memory）而非向量库作为记忆架构，因为它能绑定来源、关联实体、追溯决策链，解决企业场景的治理问题。
- 01实体抽取应采用分层流水线：spaCy（通用实体）→ GLiNER2（领域实体）→ LLM fallback（模糊/跨句案例），而非直接全部依赖 LLM。
- 02Schema 设计是实体抽取的灵魂，决定了图能回答何种问题。例如「校园卡」是产品还是政策，「仅新用户可办」是办理条件还是限制条款，分类错误会导致知识治理跑偏。
- 03实体归一、关系抽取和来源绑定是三大关键脏活。关系类型如 AVAILABLE_IN、HAS_FEE、APPLIES_TO 必须在 schema 层面预先定义。
- 04长期记忆中，用户偏好（如“用户喜欢低价”）和业务规则（如“福建地区不可办”）必须分开存储，避免模型混淆。
- 05推理记忆（Reasoning Memory）存储结构化的决策轨迹（触发任务→识别实体→调用工具→召回证据→判断→结果），用于团队复盘 Agent 错误环节。
- 06三层记忆（短期、长期、推理）应通过关系连接成一张图，例如 Message → Mentions → Entity，决策轨迹 → 产生 → 答案，从而能回答“哪些 badcase 都涉及同一产品”等问题。
- 07企业 AI 问答的三大关键判断：建业务对象层而非文档知识库；评估路径而非仅评估答案；不要将 badcase 一股脑塞进 SFT，应回溯到系统链路各环节治理。
- 08第一版应用最小可用图，只追求高频业务实体稳定抽取和 badcase 可追溯，使 Agent 质量治理从玄学变成工程问题。
反方 / 局限
- — 文章未讨论图结构的扩展性挑战，例如当实体数量达到百万级时，图遍历查询的性能开销和实时性如何保障。
- — 文中提到的分层流水线工具链（spaCy→GLiNER2→LLM）的维护成本较高，需要同时维护多个模型和 schema，对中小团队可能不友好。
8 分钟 · 4 卡片 · 9 资料
读原文 →