随着 Agent 深入真实业务，长期记忆面临的挑战已不只是如何记住历史事实，更在于如何理解不断变化的用户状态，并从持续交互中形成长期认知。传统以事实提取和向量检索为主的方案，难以完全解决记忆时效性、信息冲突与长期演化等问题。本次分享结合货拉拉记忆系统的建设实践，介绍从原始对话、事实记忆、状态记忆，到总结复盘、用户画像和用户洞察的六类分层记忆架构，探讨不同记忆类型的设计思路、架构取舍及持续演化机制。最后结合长程记忆评测与真实业务场景，分享多层记忆体系的阶段性实践成果、工程挑战与未来探索方向。

演讲提纲

1. Agent 长期记忆的挑战与技术路线选择
2. 六类分层记忆的架构设计
   • 多元对话场景下的记忆需求：不止于事实提取
   • 从原始对话到用户认知：为什么需要分层
   • 六类记忆的职责划分与整体架构
3. 多层记忆的核心技术与工程实践
   • 记忆提取：从对话中提取不同类型的记忆
   • 记忆演化：不同层次记忆的持续更新与演化
   • 分层串联：如何建立不同层次记忆之间的关联
   • 记忆应用：多层记忆的检索与上下文使用
4. 业务落地、效果评测与未来探索

听众收益

• 架构认知：理解 Agent 长期记忆的不同技术路线，掌握多层记忆的设计思路与架构取舍
• 工程实践：了解记忆提取、分层管理、持续演化及检索应用中的关键技术与实践经验
• 落地参考：结合真实业务案例，理解长期记忆的应用价值、工程挑战与技术边界

演讲亮点

• 传统记忆系统大多关注 Agent 记住了用户的哪些事实，但在真实业务中，仅仅记住事实，往往还不足以理解用户不断变化的需求和状态
• 货拉拉从人与人、人机交互等多元业务场景出发，探索了一条以用户长期理解为目标的多层记忆技术路线。通过涵盖原始对话、事实记忆、状态记忆、总结复盘、用户画像与用户洞察的六类分层记忆体系，探索如何让分散在历史沟通中的信息逐步沉淀为对用户的长期理解
• 本次分享将结合真实业务场景与工程实践，介绍这条不同于传统事实记忆的技术路线背后的设计思考、架构创新与落地经验，为企业 Agent 长期记忆建设提供不同的思路