保存历史不等于形成记忆：KDC 的长期运行主张

作者：vivo 肖博 AI 合作者：ChatGPT（GPT-5.5） 创作模式：Human-led, AI-collaborated 责任声明：文章观点、理论体系及最终内容由作者负责；AI 参与讨论、推演、表达优化及部分内容生成。 研究说明：知识驱动计算（Knowledge-driven Computing, KDC）是我们正在提出和持续打磨的一套 AI 应用软件工程理论，目前仍处于开放研究阶段。前三篇分别讨论了领域现实、知识边界以及从推理到受治理行动的链路。这一篇讨论长期运行问题：一次正确行动结束后，什么历史应该影响未来，又如何避免系统把偶然经验和错误反馈不断放大？本文摘要：记忆的价值不在于保存更多历史，而在于决定哪些历史仍然可以影响未来的判断与行动。本文把记忆放入形成、强化、衰减、冲突、遗忘、迁移和归档的生命周期，并进一步说明反馈验证与错误归因如何帮助系统修正知识、记忆、推理和治理策略。KDC系列文章： 《软件从现实开始：知识驱动计算（KDC）的 Reality First 主张》 " 《软件不是文件：KDC 的知识工程主张》 " 《调用成功不等于判断正确：KDC 的行动治理主张》 " 《保存历史不等于形成记忆：KDC 的长期运行主张》 "（本文） 《KDC 全景：从现实到反馈的完整工程模型》 " 《如何把 Agent 的判断与行动变成可恢复的软件事实 | KDC 工程补篇》 " 继续说案例。 第一次处理退款时，Agent 做对了所有关键步骤。 它确认用户只是咨询，说明了退款条件，等待用户明确同意后才发起退款。能力控制策略检查了订单状态、用户身份和风险等级，退款最终到账，用户也表示满意。 系统把这次对话和执行结果写入长期记忆，并生成一条摘要： 用户在符合条件时偏好直接退款，不需要过多解释。 几周后，用户对另一笔订单说： 这笔现在还能退吗？我只是先了解一下。 记忆检索找到了上次的退款记录。Agent 将“上次选择退款”当作稳定偏好，减少解释步骤，并把这次咨询继续推进到退款确认流程。 历史没有被记错。上一次，用户确实选择了退款。 错误发生在另一处：系统把一次特定情景下的行动，泛化成了跨时间、跨订单的稳定偏好，并让它影响了新的行动。 系统记住得更多，却不一定变得更可靠。 单次正确，不等于长期可靠 我们很容易用单次任务评价 AI 系统：答案是否正确，Tool 是否调用成功，用户是否满意，流程是否完成。 这些指标都重要，但生产系统面对的不是静止世界。订单状态会变化，制度会更新，用户偏好会改变，项目风险会演化，能力版本会替换，过去有效的经验也可能在新场景中失效。 如果系统只处理当前输入，它会不断重复探索。如果系统无条件复用全部历史，它又会把旧经验强加给新现实。 长期可靠性需要在两种失败之间找到边界： 完全不记得过去 <-> 让所有过去永久影响未来 常见的“给 Agent 加记忆”通常从存储和检索出发：把历史对话写进向量库，在新任务开始时召回相似片段，再放进模型上下文。 这解决了“怎样重新看到历史”，却没有完整解决“历史是否应该影响当前行动”。 KDC 研究记忆时，更关注后一个问题。 常规 AI 记忆问检索什么，KDC 追问历史如何生效 可以用两个问题区分不同关注点。 常规上下文记忆经常问： 检索什么历史放进当前上下文？ KDC 记忆运行时追问： 哪段历史可以在什么条件下影响未来判断和行动？ 这个区别意味着，记忆不是“长期保存的文本”这么简单。 一段历史要进入未来行动链路，至少需要回答： 它是什么时候、在什么情景下形成的？它来自事实、用户表达、模型总结还是行动结果？它只适用于某次任务，还是可能跨场景复用？它被后续反馈支持过，还是只有一次偶然观察？它是否与新现实、新知识或新用户表达冲突？当前主体是否有权访问和使用它？它应该继续生效、降低影响，还是只用于历史解释？ 向量相似度可以帮助找到相关历史，却不能替系统回答这些治理问题。 因此，KDC 把记忆对象（Memory Object）理解为带有时间、经验、上下文、反馈和演化状态的长期上下文对象。把记忆运行时（Memory Runtime）理解为负责记忆形成、检索、强化、冲突、衰减、遗忘、迁移和归档的一组运行时职责。 这仍是当前阶段的理论提案。记忆分类、遗忘策略和组织级迁移尚未形成统一规范，但一个方向已经比较明确：记忆的核心不是保存更多历史，而是治理历史对未来的影响。 不是所有历史都应该成为记忆对象 日志、聊天记录、执行结果和用户反馈都可以成为记忆来源，但不能因为被长期保存，就自动获得影响未来的资格。 日志回答“发生了什么”。记忆对象还要回答“这段历史对未来理解和行动有什么意义”。 举个例子： refund_order 返回成功，是执行记录退款三天后到账，是行动结果“该支付渠道在节假日退款通常需要更长时间”，是在多次结果支持后可能形成的经验“这个用户永远偏好退款”，则可能是从单次行为中过度泛化出来的错误记忆 记忆形成应该有门槛。一次偶然事件可以先形成候选记忆，保留来源和适用上下文，等待后续反馈。它不应因为被模型总结得很流畅，就直接成为稳定画像或组织经验。 同样，模型输出也不能直接写成长期记忆。模型可以建议“这次交互可能反映用户更重视处理速度”，但系统还需要区分这是一次情景判断、候选偏好，还是已经被多次行为验证的稳定倾向。 四类更接近行动治理的记忆 为了让记忆讨论落到工程使用上，KDC 当前提出四类面向能力治理的候选记忆类型。 行动-结果记忆 记录某次能力调用、现实结果和错误归因。 比如：退款能力被策略拒绝，因为订单已进入履约。退款接口返回成功，但对账显示到账延迟。某次外部通知因为权限配置错误发送失败。 这类记忆直接影响未来能力选择和风险判断，通常时效较强。外部系统、政策和能力版本变化后，它可能快速失效。 偏好或画像记忆 记录用户、组织或 Agent 在一定范围内表现出的偏好和倾向。 比如：用户在购买手机时更重视影像能力，某团队更偏好先小范围灰度，某审批人通常要求补充成本说明。 偏好不是永久标签。它需要时间、场景和证据边界，也必须允许用户纠正、撤回和查看。一次行为通常只能形成候选偏好，不应直接覆盖明确表达。 决策先例记忆 记录相似目标下的历史决策、当时依据和后续结果。 比如：某类高风险退款过去都进入人工复核。某种项目风险采用分阶段交付后得到缓解。某类故障通过降级而不是重试恢复。 先例可以支持未来判断，但不能替代当前证据。多次跨场景验证的先例可能迁移为候选知识，迁移时仍要重新验证适用范围。 情景记忆 记录一次具体交互或任务的上下文，比如用户在上次对话中关注某款商品的续航，或某个项目会议中暂时搁置了一个方案。 情景记忆最接近常见的对话记忆和向量检索。它有助于恢复上下文，却不应该被误认为已经形成稳定偏好或通用经验。 这四类不是当前已经成熟的统一记忆分类，它们更像当前研究中用于区分治理方式的可建切片。前三类直接影响能力调用、风险和人工确认，情景记忆则更多服务上下文连续性。 记忆必须有生命周期，也必须允许遗忘 如果记忆系统只支持写入和检索，它最终会被旧现实填满。 KDC 记忆运行时至少需要考虑下面这些状态变化。 形成 从知识对象、推理对象、能力反馈、人工决策和业务事件