**面试重点**记忆分层架构、Mem0/Zep/Letta 选型、向量检索 vs 图谱、记忆遗忘与隐私。**产品经理 工程师必考**。5. 完整记忆系统架构5.1 记忆五层模型人类认知对齐| 层级 | 容量 | 速度 | 例子 | Agent 对应 ||---|---|---|---|---|| **Working工作** | 7±2 项 | 极快 | 当前对话上下文 | 上下文窗口 || **Session会话** | 一会话 | 快 | 整次会话 | 会话表 || **Episodic情景** | 数千 | 中 | 上周问了X | 时间索引 || **Semantic语义** | 数十万 | 中 | 用户是 PM | 知识图谱 || **Procedural程序** | 数十 | 极快 | 如何调工具 | Skill/Tool || **Archival归档** | 无限 | 慢 | 历史全量 | 对象存储 |**2026 趋势**Berkeley 2026-04 研究 67% 企业计划部署五层记忆。5.2 主流记忆框架对比| 框架 | 架构 | 时间推理 | 图记忆 | 自托管 | 开源 | LongMemEval | 厂商 | 适合 ||---|---|---|---|---|---|---|---|---|| **Mem0** | 混合向量图谱KV | ❌ | Pro $249/月 | ✓ | Apache 2.0 | 49.0% | Mem0 Inc. | 通用 || **Zep** | 时间知识图谱 | ★★★★★ | 原生 | 复杂 | Graphiti OSS | 63.8% | Zep Inc. | 时间敏感 || **Letta (MemGPT)** | OS 式分页 | LLM 决定 | 弱 | ✓ | Apache 2.0 | N/A | Letta | 长上下文 || **Cognee** | 多存储 自定义图 | 部分 | 原生 | ✓ | Apache 2.0 | N/A | Topoteretes | 知识图谱 || **LangMem** | LangChain 原语 | ❌ | ❌ | ✓ | MIT | N/A | LangChain | LangChain 用户 || **Evermind.ai** | Engram 生命周期 | ✓ | 原生 | Docker | ✓ | **83.0%** | EverMind | 个性化 || **shodh-memory** | 神经科学启发 | ✓5 种机制 | ✓ 扩散激活 | ✓30MB 单文件 | Apache 2.0 | N/A | Shodh | 边缘/隐私 || **Supermemory** | Memory API RAG | ❌ | 有限 | ❌ | ❌ | N/A | Supermemory | SaaS || **MJ Nexus OS 自研** | 五层 Kuzu 图谱 | 部分 | ✓ | ✓ | 内置 | - | - | 桌面 |5.3 记忆写入流程对话轮次 → 触发器 → 信息抽取LLM → 去重合并 → 编码入库├─ 每轮结束 ├─ NER 实体├─ 关键事件 ├─ 关系抽取 ├─ 重复合并└─ 用户标记 ├─ 偏好检测 ├─ 矛盾覆盖└─ 置信度评估 └─ 未知暂存​Anthropic 2026-04 经验**用 LLM 抽取比规则抽取多 20% recall但成本高 3x5.4 记忆召回流程​查询 → 多路召回 → 重排 → Token 预算分配 → 注入 Prompt├─ 向量 Cross-Encoder├─ 关键词 Cohere Rerank├─ 图谱└─ 时间5.5 冲突解决| 场景 | 策略 | 实现 ||---|---|---|| 重复 | 合并保留更详细 | 向量相似度 0.95 || 矛盾 | 时间戳新覆盖旧 | valid_from / valid_to || 置信度低 | 标记待确认 | 下次出现时强化 || 用户纠正 | 立即更新 记录历史 | correction_count |5.6 面试高频追问**Q5.1Agent 记忆分几类分别存什么**- Working工作记忆当前上下文 → 内存- Session会话本次会话 → SQLite- Episodic情景历史事件 → 向量库 时间索引- Semantic语义事实偏好 → 知识图谱- Procedural程序技能 → Tool/Skill 定义**Q5.2Mem0、Zep、Letta 选哪个**- Mem0易用、LangChain 生态、起步首选- Zep时间敏感任务上周X- Letta超长上下文百万级- Cognee自定义图谱- 决策树时间敏感 → Zep超长 → Letta图谱 → Cognee通用 → Mem0**Q5.3记忆写入触发时机**- 每轮结束实时但成本高- 每 N 轮平衡- 关键事件检测我搬到了上海- 用户主动标记记住这个**Q5.4如何避免记忆污染**- 写入前 LLM 二次校验- 关键记忆人工确认- 定期审计 评分- 用户可视化编辑我的记忆页面**Q5.5PM 题记忆系统的 ROI 怎么算**- 加留存↑、个性化满意度↑- 减存储成本↑、延迟↑、隐私风险↑- 度量个性化命中率、记忆调用转化率---6. 记忆检索与遗忘机制6.1 多路召回算法对比| 算法 | 原理 | 优点 | 缺点 | 适用 ||---|---|---|---|---|| **向量检索HNSW** | ANN 近似最近邻 | 语义相似 | 关键词弱 | 主流 || **关键词BM25** | TF-IDF | 精确匹配 | 语义弱 | 补盲 || **图谱遍历** | BFS/DFS | 多跳关联 | 复杂度高 | 关系推理 || **混合RRF** | 多路融合 | 全面 | 实现复杂 | 生产级 || 关系推理 || **混合RRF** | 多路融合 | 全 | 实现复杂 | 生产级 |6.2 重要性评分公式pythonimportance (0.3 * recency # 时近性指数衰减 0.2 * frequency # 访问频率 0.25 * relevance # 与当前查询相关度 0.15 * user_marked # 用户标记 0.1 * confidence # 来源置信度)6.3 时间衰减模型指数衰减score(t) base * exp(-λ * Δt)记忆类型λ半衰期偏好0.005138 天事件0.0235 天闲聊0.17 天生物启发shodh-memory 用 Wixted 2004 提出的幂律衰减人类记忆更符合。6.4 遗忘策略人类认知对齐策略机制适用被动遗忘重要性降低、自然被排除通用主动遗忘显式删除/归档合规、容量控制合并遗忘多条合并为摘要知识固化合规遗忘GDPR / 个保法要求必做6.5 记忆固化借鉴人类睡眠离线时段低峰期跑合并任务重要性重评基于长期访问模式关联强化高频共现建边摘要固化长期记忆压缩为经验遗忘清理低价值归档/删除6.6 面试高频追问Q6.1为什么用混合检索向量语义相似但关键词弱关键词精确但无语义图谱多跳但慢RRF 融合取长补短Q6.2GDPR 被遗忘权 怎么实现收到请求 → 定位所有副本DB、备份、向量库、日志、缓存、Embedding级联删除 审计日志派生数据聚合、Embedding 后的特征也要清理验证周期性审计 第三方合规扫描Q6.3记忆压缩会不会丢信息答会但目标是最小化可恢复性损失关键事实外提、冗余信息丢弃、长尾记忆归档引用Mem0 2026-02 论文91% p95 延迟降低90% token 节省LongMemEval J-score 0.51 vs 0.227. RAG 知识库与检索增强7.1 RAG vs Fine-tuning vs Long Context方式更新成本延迟可溯源适用RAG实时中中✓动态/私有知识主流Fine-tuning重训高低✗风格/格式Long Context改 Prompt高高✗短期知识RAG FT兼顾高中✓生产级7.2 RAG 流水线2026 完整版离线索引文档 → 解析 → 清洗 → 分块 → 向量化 → 入库 PDF Unstructured 句子/语义 Embedding pgvector Word Docling 父子块 BGE-M3 Qdrant MD LlamaParse 递归 OpenAI Milvus在线检索查询 → 改写 → 多路召回 → 重排 → Token 预算 → LLM 生成 HyDE ├─ 向量 Cohere Query ├─ BM25 BGE Rerank Rewrite├─ 图谱7.3 高级 RAG 模式2026 主流模式提出核心思想适用Self-RAGAkari 2023LLM 自评检索质量高精度Corrective RAG (CRAG)Yan 2024检索后用 LLM 纠错容错场景GraphRAGMicrosoft 2024知识图谱 社区摘要全局问题Agentic RAG2025Agent 决定何时检索复杂任务HyDEGao 2022假设文档嵌入短查询RAG-Fusion2024多查询融合 RRF模糊查询LazyGraphRAGMicrosoft 2026索引成本降到 0.1%大规模DRIFT SearchMicrosoft 2026动态推理 事实追踪复杂推理7.4 GraphRAG 深度2026 热点Microsoft GraphRAG 流程Chunking600 tokens / chunk研究证实小块抽实体多Entity/Relation ExtractionLLM 抽取实体和关系三元组KG Construction构建 LPGLabeled Property GraphCommunity DetectionLeiden 算法聚类Community SummaryLLM 生成每社区摘要QueryLocal Search实体邻居子图Global Search社区摘要Map-ReduceDRIFT Search动态推理 事实追踪真实效果LinkedIn 客服解决时间 -28.6%Data.world 调研LLM 响应精度 3x微软官方复杂问题胜过 baseline RAG成本对比传统 RAG$0.01/1K docs全 GraphRAG$5-10/1K docsLazyGraphRAG$0.005-0.05/1K docs0.1% 成本7.5 知识库版本管理生产级必备文档版本Git-LFS 风格Embedding 版本模型升级要重建Chunk 哈希变更检测双写过渡期vN vN1 并存逐步切换7.6 面试高频追问Q7.1RAG 检索质量差怎么排查分块质量过大/过小都差Embedding 质量领域不匹配查询改写用户问法多样召回率Top-K 太小重排语义匹配度低Q7.2何时用 GraphRAG强关系数据法律、医疗、金融全局问题所有 X 的共性多跳推理简单 FAQ 不值得overkillQ7.3HyDE 是什么什么时候用假设文档嵌入用 LLM 先生成假想答案再嵌入短查询、模糊查询缺点幻觉风险依赖 LLM 质量Q7.4PM 题RAG 知识库要不要支持实时更新答要看时效性要求强实时股价、新闻流式索引 增量更新弱实时产品手册定时批量平衡方案核心知识实时 长尾知识批量Q7.5RAG 评测怎么做检索指标RecallK、MRR、NDCG生成指标Faithfulness、Answer Relevancy端到端人工评估 LLM-as-Judge工具RAGAS、ARES、DeepEval