记忆系统

​

概述

Zeus 的记忆系统为 Agent 提供跨会话的用户认知能力。通过从对话中提取、存储并检索关键信息，Agent 能够持续积累对用户和项目的理解，从而提供个性化、有上下文连贯性的交互体验。 记忆系统解决三个核心问题：

• 个性化：记住用户偏好（编程风格、语言、工具链），无需每次重复说明
• 上下文连续性：跨会话保持对项目背景、技术决策的认知
• 智能推理：基于历史记忆做出更准确的判断和建议

---

​

架构

​

四层记忆模型

Zeus 的记忆系统由四个生命周期不同的层级组成，从短暂的运行时状态到永久的用户画像，形成一个完整的认知体系。

​

三层数据架构 (memU)

Long-term Memory 采用 memU 启发的三层结构，将原始资源逐步抽象为结构化画像： 数据自下而上流动：Layer 1 原始资源被提取为 Layer 2 记忆条目，再聚合为 Layer 3 画像。

---

​

数据模型

​

Memory Item

记忆条目是系统的核心数据单元，每条记忆包含内容、分类、作用域和元数据。主要字段包括：

• content：记忆内容文本
• memory_type：记忆类型分类
• scope / scope_id：作用域（user / project / session）及对应 ID
• source / source_id：来源（user / ai / knowledge_base / project_resource）及关联 ID
• confidence：置信度（0.0 ~ 1.0）
• visibility：可见范围（public / members / owner_only），仅 project scope 生效
• status：状态（active / archived / superseded）
• last_used_at：最后被检索的时间

​

Memory Type

每种类型对应不同性质的信息，Agent 在提取记忆时需选择正确的类型：

​

Memory Scope

作用域决定记忆的可见范围和生命周期：

​

User Profile

用户画像聚合了用户的全局特征，在每次对话时注入到系统提示词。主要字段包括：

• username：用户名
• background：用户背景描述
• profession：职业
• communication_style：沟通风格（concise / detailed / technical）
• response_format：响应格式偏好（markdown / plain / code）
• language_preference：语言偏好（zh-CN / en / ja 等）
• characteristics：个性特征
• content：自定义指令（Custom Instructions）
• expertise_areas：专业领域
• programming_languages：编程语言
• frequently_used_tools：常用工具

​

Project Profile

项目画像记录团队共享的项目上下文。主要字段包括：

• project_goal：项目目标
• tech_stack：技术栈
• constraints：约束条件
• key_decisions：关键决策（含决策内容、原因和时间）
• team_conventions：团队规范
• current_phase：当前阶段

---

​

核心组件

​

MemoryService

MemoryService 是记忆系统的核心服务，统一管理记忆的读写和检索。它同时与 PostgreSQL（元数据）和 pgvector（向量索引）交互。

​

关键方法

​

Memory Gate（门控）

门控层在记忆写入前执行多维验证，防止低质量、敏感或重复的信息进入记忆库： 门控配置支持环境变量覆盖：

​

Memory Tools

Agent 通过四个内置工具自主管理记忆： 工具通过 RunnableConfig 接收 user_id、project_id、session_id，在 Agent 模式下默认启用 (enable_memory=True)。

---

​

上下文集成

记忆通过两种机制参与 Agent 的上下文（Context）：

1. 被动注入：在系统提示词组装阶段，系统自动获取用户/项目画像和语义相关的记忆条目，以结构化文本追加到提示词末尾
2. 主动提取：在 Agent 执行阶段，Agent 主动调用 memory_save 提取并持久化重要信息

被动注入流程：在上下文组装阶段，_init_context() 调用 _fetch_profile() 获取用户/项目画像，调用 _fetch_relevant_memories() 进行语义检索获取 Top K 记忆条目，两者格式化后追加到系统提示词末尾。 主动提取流程：在 Agent 执行阶段，Agent 调用 memory_save 工具，经 Gate 门控验证后，同时写入 pgvector（向量索引）和 PostgreSQL（元数据）。 完整的系统提示词组装流程参见系统提示词，更广泛的上下文组装参见上下文。

​

检索排序算法

多 scope 记忆检索后，通过加权评分进行合并排序： final_score = similarity × 0.5 + confidence × 0.3 + scope_priority × 0.2 其中 scope 优先级： 同类型记忆去重后保留分数最高的条目，最终返回 Top K 结果。

---

​

权限模型

项目级记忆具有细粒度的权限控制： visibility 字段进一步控制可见范围：

• public：所有项目成员可见
• members：项目成员可见（默认）
• owner_only：仅创建者可见

---

​

向量存储

记忆的向量存储使用 PostgreSQL pgvector 扩展，与 RAG 知识库共享底层基础设施： 每位用户可以配置自己的 Embedding API（模型、Base URL、API Key），系统通过 create_embeddings(user_id) 自动加载对应配置。

---

​

Episodic Memory 与 Checkpoint

Episodic Memory 通过 LangGraph 的 PostgresSaver 实现，负责会话状态的持久化与恢复： Checkpoint 存储的内容： 此外，session_state_snapshot 表和 checkpoint_archive 表分别用于会话状态快照和过期 checkpoint 归档。