记忆操作生命周期
write / select / compress / isolate 四原语，以及写入判断、去重消解与遗忘的具体机制
核心要点：
- 记忆操作是构建/更新/查询三阶段
- 四原语：write / select / compress / isolate
- 写入要判断 ADD / UPDATE / DELETE / NOOP
- 去重靠相似度阈值 + LLM 语义判断
- 选择性遗忘仍是开放挑战
记忆操作的骨架是什么？
核心问题：不同记忆系统的读写流程能否用一套统一阶段描述？
任何记忆方案都可拆成构建 → 更新 → 查询三阶段[1]。survey 提出这套阶段划分，正是为了让形态各异的系统能在同一框架下比较。
- 构建 (construction)：从输入流中提取、过滤、规范化、打标签，形成可存储的记忆单元。
- 更新 (update)：写入后的维护——去重、压缩、矛盾消解、优先级评分、过期删除。
- 查询 (query)：检索——粗召回加精排的两阶段 retrieval(机制见 05-向量检索记忆)、门控决策、token 预算分配。
三阶段是描述层骨架，具体动作由下面的原语和判断逻辑承担。
write / select / compress / isolate 四原语怎么对应三阶段？
核心问题：工程上实际执行的操作有哪些，各自解决什么？
LangChain 把上下文操作收敛为四个原语[2]，它们是三阶段在工程上的落地动作。
| 原语 | 定义 | 对应阶段 |
|---|---|---|
| write | 把信息存到上下文窗口之外 | 构建 |
| select | 按需把信息拉回工作上下文 | 查询 |
| compress | 只保留完成任务所需的 token | 更新 / 查询 |
| isolate | 跨 subagent 或 sandbox 分隔上下文 | 架构级，贯穿全程 |
@tbl-agent-memory-four-primitives 记忆操作四原语定义：write、select、compress、isolate 各自的作用与对应生命周期阶段
四原语里 compress 最易被低估：LangChain 指出工具输出过大时可触发卸载、上下文利用率接近上限时触发截断，以可观比例压缩历史[2]。压缩在记忆系统里的具体形态是上下文压缩(compaction)，工程细节见 03-compaction-与上下文压缩。isolate 则是多 agent 架构的记忆边界，把它单列说明记忆不只是存取，还包括"谁能看到哪段"。
为什么 update 不是简单 append?
核心问题：记忆写入后直接追加到列表末尾不行吗？
简单追加会让记忆库迅速退化为充满重复和矛盾的垃圾堆。survey 明确指出更新算子要"摘要、去重、评分优先级、消解矛盾，并在适当时删除"[3]，这五个动作缺一个都会埋下隐患。
- 不去重 → 同一事实反复写入，检索时挤占 token 预算。
- 不消解矛盾 → "用户喜欢深色主题"与"用户改用浅色"并存，召回时模型无所适从。
- 不评分优先级 → 无法在容量受限时决定淘汰谁。
下一节看生产系统(Mem0)怎么把这些动作落地成一套写入判断流程。
写入时怎么判断 ADD / UPDATE / DELETE / NOOP?
核心问题：一条新事实进来，系统怎么决定是新增、改旧、删旧还是忽略？
Mem0 用"抽取 + 检索相似记忆 + LLM 判四操作"的流程决定每条新事实的去向[4]。这是把"update 非 append"落成可执行逻辑的代表。
流程分三步：
- 抽取：从最近约 10 条消息 + 当前对话对里抽取原子事实（一句话陈述），配一份异步刷新的对话摘要作上下文。
- 取相似：对每条候选事实，语义检索 top-10 已有相似记忆。
- 判操作：LLM 通过 function-calling 在四种里选一种。
| 操作 | 触发条件 |
|---|---|
| ADD | 无语义相似的已有记忆 |
| UPDATE | 补充/丰富已有记忆 |
| DELETE | 与已有记忆矛盾 |
| NOOP | 已存在或不相关 |
@tbl-agent-memory-write-operations Mem0 写入判断四种操作：ADD、UPDATE、DELETE、NOOP 的触发条件
例子：已有"用户住北京"，新事实"用户搬到上海"——LLM 判 DELETE 旧 + ADD 新（或 UPDATE），而非两条并存。 对比：OpenAI Memory 不存时间戳，时序类问题得分仅 21.71，而带矛盾消解的 Mem0 达 55.51——矛盾消解直接决定时序推理能力[4]。
可借鉴的判断：写入是一次决策而非一次追加——每条新记忆都要先问"它和已有记忆什么关系"。
怎么去重和消解矛盾？
核心问题：判 UPDATE/DELETE 之前，怎么知道两条记忆"是一回事"或"冲突"?
双层去重：先用相似度/哈希粗筛，再用 LLM 语义精判[4]。单靠相似度会误判，单靠 LLM 太贵，两层互补。Mem0 在不同模块用不同粗筛机制：
- 基础向量记忆：用 MD5 哈希做精确去重（只滤完全相同的文本），不做相似度阈值粗筛——召回交给检索 + LLM 判 ADD/UPDATE/DELETE[5]。
- 图记忆模块 (
graph_memory.py)：实体合并默认阈值 余弦相似度 0.7 (graph_store.threshold，可配置)，超阈值的实体进入 LLM 精判[5]。注意 Mem0 论文本身不披露这个数值，它来自源码与官方 wiki。
阈值调节没有公开消融实验，Mem0 官方 wiki 给出工程经验分层[5]:
| 阈值区间 | 行为 | 风险 |
|---|---|---|
| 0.9–1.0 | 近乎相同才合并 | 漏检矛盾，重复堆积 |
| 0.7–0.9 （默认） | 平衡合并 | 默认权衡点 |
| 0.5–0.7 | 宽松合并 | 误合并不相关记忆 |
| < 0.5 | 不推荐 | 错误合并率高 |
@tbl-agent-memory-dedup-thresholds 记忆去重相似度阈值分层：Mem0 图记忆模块默认 0.7 各区间行为与合并风险
跨系统对比可看出阈值的场景敏感性：Neo4j Agent Memory 实体合并用 0.92–0.98（自动合并）和 0.75–0.90 （标记待审）[6]，比 Mem0 的 0.7 显著保守，因为图数据库实体合并不可逆。结论：同样叫"相似度去重"，图实体合并阈值（高，0.85–0.98）、记忆条目合并阈值（中，0.7 量级）、检索过滤阈值（低，0.1–0.5）分属三种场景，不可混用。
矛盾消解有两种风格：硬删除（直接删旧 + 时间戳优先）或软失效（标记 invalid 但保留历史，支持"他 2023 年住哪"这类时序查询）。可借鉴的判断：需要时序追溯就软失效，只要当前正确就硬删除。
agent 怎么遗忘？
核心问题：记忆只增不减会怎样，主流系统如何遗忘？
遗忘是当前记忆系统最薄弱的环节，主流做法仍很粗糙[3]。多数系统只有三种处理：基于时间的到期删除、容量触发的淘汰（类 LRU）、或干脆不遗忘。
更精细的方案是 MemoryBank 引入的 Ebbinghaus 遗忘曲线[7]：记忆强度随时间衰减，但被频繁访问、高重要性的记忆得到强化，被忽视的逐渐淡出。这是一种频率与重要性加权的衰减，比硬性到期更贴近"有用的记忆留下"的直觉。
即便如此，选择性遗忘（精细控制哪些记忆该被忘掉）仍被列为开放挑战[3]。这一缺口也是记忆安全的隐患：被污染的记忆若不能被定向清除，会跨会话持续生效(详见 08-记忆安全)。
Takeaway
| 知识点 | 核心结论 |
|---|---|
| 三阶段骨架 | 构建 → 更新 → 查询，统一描述任意记忆系统 |
| 四原语 | write / select / compress / isolate，三阶段的工程落地 |
| 写入判断 | Mem0 抽取事实 + 取相似 + LLM 判 ADD/UPDATE/DELETE/NOOP |
| 去重消解 | 向量层 MD5 / 图层 0.7 余弦粗筛 + LLM 精判；硬删除 vs 软失效 |
| 阈值场景敏感 | 图实体 0.85-0.98（保守不可逆） / 记忆条目 0.7 量级 / 检索过滤 0.1-0.5，不可混用 |
| 矛盾消解价值 | 决定时序推理能力(OpenAI 21.71 vs Mem0 55.51) |
| 遗忘薄弱 | 主流靠到期/容量淘汰；Ebbinghaus 较精细；选择性遗忘未解 |
参考资料
- Tang et al. LLM Agent Memory: A Survey from a Unified Representation-Management Perspective. Preprints.org 202603.0359, 2026. https://www.preprints.org/manuscript/202603.0359
- LangChain. Context Engineering for Agents. 2025. https://langchain-blog.ghost.io/context-engineering-for-agents/
- Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers. arXiv:2603.07670, 2026. https://arxiv.org/html/2603.07670v1
- Chhikara et al. Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory. arXiv:2504.19413, 2025. https://arxiv.org/abs/2504.19413
- DeepWiki. mem0ai/mem0 — Similarity Thresholds （graph_memory.py 默认 0.7，经验分层）. https://deepwiki.com/mem0ai/mem0/4.5-similarity-thresholds
- Neo4j Agent Memory Docs. Entity Resolution Thresholds. 自动合并 0.92-0.98，标记待审 0.75-0.90. https://neo4j.com/docs/
- Zhong et al. MemoryBank: Enhancing Large Language Models with Long-Term Memory. AAAI 2024 / arXiv:2305.10250. https://arxiv.org/abs/2305.10250