我用教科书式的方法构建了智能体记忆（智能体按需检索）。但在观察其运行后，我彻底推翻了整个设计。架构 + 让我放弃写回机制的失败模式。

我的第一个版本的智能体记忆是教科书式的方法：给智能体检索工具，让它自己决定何时获取信息。听起来很合理。但在实践中，它有两个失败模式。要么它在每个琐碎的回合中都花费一次工具调用来获取记忆（无谓的延迟），要么它跳过检索，从空上下文中自信地回答（更糟糕）。让模型自己决定何时需要记忆，是假设它知道自己的无知。但它不知道。所以我把设计反转为优先注入。架构： * **存储：** 每一轮对话都是一个图节点，标记为 `{role, conversation_id, kind}`。每个对话有一个元摘要记录和一个用户偏好记录，两者都是结构化数据，这样记忆就是可寻址的状态，我可以检查，而不是一个不透明的向量块。 * **提示组装：** 在推理之前，该层构建一个块，包含提炼后的用户摘要、固定偏好以及最近 N 轮原始消息，并用带标签的部分（`<start_of_user_context>...`、`<start_of_previous_messages>...`）表示。智能体在常见路径上零往返地开始，有明确的方向。 * **有界增长：** 一个后台作业保持滚动摘要。当它低于预算（我的配置中约 20k 字符）时，它会累积；超过后，一个更新器智能体将较旧的轮次压缩成观察段落，这样提示就不会无限膨胀。这是对长上下文退化的实际修复：提炼，而不是倾倒。 * **按需深度：** 它仍然拥有进行多跳遍历的工具，可以遍历用户数据的知识图谱，但仅限于注入的摘要不够用时使用。所以它是“固定要点，获取长尾”，只不过固定的部分是对用户生成的摘要，而长尾是一个可以行走的真实图。净效果：工具调用大大减少，并且因为基本信息始终存在，它不再凭空回答。 **那个让我害怕的失败模式（陷阱）：** 我让更新器根据对话本身将新边写回图中。不到一天，它就发明了关系（两个人的名字仅仅因为与某个关键词同时出现而被关联），并且声称了一个我明确反对的“决定”，因为那些词出现在我拒绝它们的线程中。然后它把自己生成的坏边作为事实读取，导致错误每轮都在累积。自我毒化的记忆比没有记忆更糟糕。我禁用了写回功能，现在智能体读取的是我维护的图，而且不能根据闲聊重写它。将非结构化的对话转化为可靠图结构是真正未解决的问题，而这正是 RL 遍历工作（Graph-R1）所追求的。 我实际上想请教两个问题：如何判断提取的边是否足够可信以持久化（置信阈值、人工审核队列、或者什么都不做）？以及你们在自己的智能体中如何拆分注入与检索？