百智云长期记忆服务：多维度记忆建模——事实、偏好、习惯如何被结构化

上一篇讲了长期记忆与 RAG 的分工。这篇我们进入记忆系统的内部，聊聊百智云长期记忆服务最核心的一环：多维度记忆建模——它如何把零散的交互信息，结构化成一幅可检索、可更新的「用户画像」。

一、为什么需要「建模」

对话里的信息是零散、口语化、甚至相互矛盾的。如果只是把原始对话存下来，检索时会带回大量噪声。建模的作用，就是把值得记住的内容提炼出来，并归入清晰的维度，让后续的检索和更新有据可依。

二、三个核心维度

百智云长期记忆服务把用户信息主要组织成三个维度：

1. 事实（Facts）：相对稳定、客观的信息。例如「用户是后端工程师」「所在团队负责订单系统」。这类信息变化慢，是记忆的「骨架」。

2. 偏好（Preferences）：用户明确或隐含表达出来的倾向。例如「希望代码示例用 Python」「回复语气正式一点」。偏好往往和具体场景绑定。

3. 习惯（Habits）：从反复出现的模式中归纳出来的规律。例如「每周一上午查看周报」「经常在深夜提问」。习惯带有时间维度，能帮助系统预判用户行为。

三、记忆不是孤立条目，而是「网络」

这三个维度不是三张孤立的表。事实之间可以建立层级与归属关系（谁属于哪个团队），偏好可以关联到具体场景，习惯则带有时间与频率信息。通过这种网络化组织，系统能更准确地理解「谁、在什么场景下、有什么偏好」。

四、建模的输入来源

记忆的输入不只有对话文本，还可能包括：用户主动填写的信息、系统行为日志、业务事件等。管理引擎会从这些原始信号中自动提取值得记住的内容，并归入对应维度。

五、建模与检索、更新的关系

• 建模是地基：维度清晰，检索时才知道去哪找。
• 建模支撑更新：当新信息与旧记忆冲突时，只有结构化后的记忆才能被精准定位和修正。
• 建模让遗忘可行：低价值、过时的记忆，可以被识别并清理。

小结

多维度记忆建模是长期记忆系统的地基。建模做得好，检索、更新、遗忘才有据可依。下一篇我会展开讲这套建模背后的混合检索实现——向量检索与知识图谱如何协作。