Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

面试官可能会问：“用户随口说了一句偏好，Agent 要不要立刻记住？”

这不是一道“接个向量数据库就行”的题。真正困难的是决定什么值得跨会话保存，谁有权保存，旧信息怎样被更新，冲突时相信哪一条，以及用户要求忘记后怎样确保它不再被召回。

如果 Agent 把每轮对话都写成长期记忆，临时要求、错误推断和敏感信息会不断积累。下一次检索虽然能找到“相似内容”，却可能把已经过期的偏好当成当前事实。反过来，如果系统什么都不写，跨会话体验又会从零开始。

因此，回答应围绕一条可审计的记忆生命周期展开：候选提取、分类、授权、去重、冲突处理、正式写入、检索使用、更新、过期、遗忘与删除。“如何存”只是其中一步，每个阶段都要有明确证据和不写入出口。

先给出 30 秒回答

Agent 不应该把模型认为重要的内容直接写入长期记忆。我会先从对话和任务结果中提取候选，区分用户明确偏好、稳定事实、任务摘要和可复用经验，再做敏感信息、保存授权、主体权限、来源可信度、去重与冲突检查。通过后写入带来源、时间、版本、有效期和可见范围的正式记录。后续新事实不能覆盖旧记录而不留痕，而应更新版本或建立替代关系。过期、撤回和用户删除要同时作用于主记录、向量索引与缓存。评估既要测该记住时能否写对，也要测不该记时能否保持不写。

这段回答最重要的一句是：长期记忆是一项有生命周期的数据决策，不是对话结束后的自动副产物。

放大查看图解 ↗

从候选到正式记忆，每一步都有拒绝写入的出口。

第一步不是保存，而是判断有没有候选

一次对话里会出现很多信息，但只有少数值得跨会话使用。

例如用户明确说“以后给我代码示例时优先用 Python”，这可能是稳定偏好。用户说“今天先不要展开代码”，更可能只是当前任务要求。Agent 在搜索过程中提出“也许是权限问题”，只是未验证假设。工具返回的一段网页内容属于任务证据，也不自动等于用户事实。

候选提取的作用，是先把可能值得保存的内容从完整消息中分离出来，同时保留原始来源。它不代表已经获准写入。

一个候选至少应回答：内容指向谁，是用户、组织、任务还是通用方法；属于什么类型，是偏好、事实、目标还是经验；来源是什么，是用户明确声明、工具事实、人工确认还是模型推断；未来在哪些任务中可能有用；是否包含敏感信息；有效期是否可判断。

模型可以负责语义提取，但不能单独决定写入。它可能把礼貌表达误判为长期偏好，也可能把一次失败任务中的临时结论总结成“经验”。更稳的做法是让模型提出候选和理由，再由规则、权限与必要的用户确认决定是否进入正式层。