ai-agent-deep-dive/docs/04-memory-and-session.md

04. 记忆与会话系统需求文档

1. 为什么需要记忆系统

如果产品只靠当前窗口上下文工作，会出现几个问题：

• 用户长期偏好无法沉淀
• 项目背景每次都要重新解释
• 复杂任务容易因上下文压缩而丢失关键事实
• 系统无法逐步形成“协作连续性”

因此，这个产品需要一个多层级记忆系统。

2. 记忆系统的产品目标

1. 保存长期有效的用户偏好和协作约束
2. 保存项目级背景信息
3. 在上下文压缩后仍能恢复关键事实
4. 支持会话恢复与后续继续执行
5. 为子任务和后台任务提供必要的上下文继承

3. 记忆层级反推

从目录结构与调用链可以推断，产品至少需要以下记忆层级：

3.1 用户级记忆

保存：

• 用户语言偏好
• 输出风格偏好
• 常见工作习惯
• 可长期生效的协作规则

3.2 项目级记忆

保存：

• 项目目录背景
• 常用命令
• 测试 / 构建约定
• 项目规范文件中的持续性要求

3.3 会话级记忆

保存：

• 当前任务目标
• 当前已知上下文
• 本轮执行中的中间状态
• 当前阶段的局部决策

3.4 子任务级记忆

保存：

• 子 agent 的任务目标
• 子 agent 的局部上下文
• fork 继承的父上下文
• 验证 / 探索 / 规划等专职子任务的专属状态

4. 记忆系统的核心需求

4.1 持久化需求

系统需要能保存以下内容：

• 用户长期偏好
• 项目常识
• 会话摘要
• 可恢复的任务元数据

4.2 注入需求

系统需要在合适的时机把记忆重新注入到模型上下文中，而不是永久塞在一次请求里。

4.3 压缩需求

当上下文接近限制时，系统必须支持：

• 自动压缩历史
• 保留关键事实
• 降低 token 成本

4.4 恢复需求

用户中断后再次回来时，系统要支持：

• 恢复当前任务状态
• 恢复关键上下文
• 继续之前的执行链

5. Session 管理需求

5.1 会话身份

每个会话都需要唯一标识，便于：

• 恢复
• 归档
• 分析
• 分享
• 跟踪任务生命周期

5.2 会话摘要

系统需要能够自动生成摘要，用于：

• 历史压缩
• 后续恢复
• 快速理解上下文

5.3 会话转录

系统需要持久记录关键消息流，至少包括：

• 用户输入
• 模型输出
• 工具调用摘要
• 子任务结果
• 失败信息

6. 为什么记忆不能等于“把所有历史都塞进去”

产品层面必须避免一种错误思路：把完整历史无脑拼进上下文。

这样会导致：

• 成本上升
• 注意力稀释
• 有效信息被噪声淹没
• 子任务污染主线程

更合理的需求是：

记忆应该是可选择地提取、压缩、恢复和注入，而不是无节制堆积。

7. fork 与记忆的需求关系

从多 agent 设计看，fork 子任务有两个特殊需求：

1. 继承足够的上下文来完成任务
2. 又不能把中间噪声带回主线程

因此系统需要：

• 支持父子上下文有边界地继承
• 支持子任务输出被总结，而不是原样回灌
• 支持 prompt cache 友好的上下文复用

8. 记忆系统的伪代码表达

class MemorySystem:
    def load_user_memory(self, user_id):
        ...

    def load_project_memory(self, project_root):
        ...

    def load_session_summary(self, session_id):
        ...

    def build_runtime_context(self, user_memory, project_memory, session_summary):
        return merge_relevant_context(user_memory, project_memory, session_summary)

    def compact_if_needed(self, messages):
        if context_budget_low(messages):
            return summarize(messages)
        return messages

9. 产品经理视角下的总需求句

这套产品必须拥有一个分层记忆系统：它既能保存长期偏好与项目背景，又能在上下文预算受限时压缩历史，并在任务恢复、子任务继承和长期协作中重新注入关键事实。