Agent 的记忆不在对话里：把企业数仓沉淀为可治理的共享语义记忆｜QCon上海

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！ 2026 年 QCon 全球软件开发大会大会 · 上海站 " 将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。 在这一背景下， 2026 年 QCon 全球软件开发大会大会 · 上海站 "正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。 卡奥斯 COSMOPlat & 工业智能首席科学家余锦泽博士已确认出席 “ Agent 自主进化：从记忆到持续学习 "” 专题，并发表题为《 Agent 的记忆不在对话里：把企业数仓沉淀为可治理的共享语义记忆 "》的主题分享。Agent 记忆的业界主线是对话与个性化：主流框架记住”用户说过什么”。但工业多智能体更缺的记忆是”这家企业的数据语义”——指标的分子分母、同一工单号在不同表里的多种写法——它们不在对话流里，在数仓、代码与文档里；而且写错的记忆比遗忘更危险：我们实测只注入一半语义，正确率反而低于不注入。 余锦泽博士本次演讲分享把企业数仓沉淀为多智能体共享语义记忆的工程路径：写入侧大模型只提议、真实数据裁决、证据分级入库；冲突用时间轴校验、双源融合与对抗评审消解；使用侧按对象锚定动态构建上下文；教训沉淀为可插拔提示词组件与回归断言。结论：企业语义记忆是需要治理的资产——写入有裁决、冲突有消解、经验能沉淀、错误可撤销。 余锦泽博士任卡奥斯工业智能首席科学家，东京大学博士，深耕工业视觉、数字孪生与具身智能，以第一通讯作者发表顶会顶刊 29 篇、第一发明人授权专利 29 项，曾获日本机器人大奖、泰山产业领军人才。他在本次会议的详细演讲内容如下： 演讲提纲一、为什么业界记忆框架搬不进工厂记忆热潮的主线：Mem0、Zep（时序知识图谱）、Letta/MemGPT 等框架解决的是”跨会话记住用户”——记忆主要来自对话与交互流工业 Agent 的记忆缺口：要记的不是”用户偏好”，而是”直通率的分子分母是什么、工单号在不同表里有几种写法”——这些语义不产生于对话，藏在数仓表结构、建表代码与工艺文档里，且没有外键、命名晦涩写错比不记更危险：学界正在讨论记忆污染（memory contamination），企业场景的代价是口径错账——我们的实测：只注入实体与关系、不带指标口径，回答正确率反而低于完全不注入，模型会更自信地选错表本场主张：企业语义记忆是资产，要治理——写入有裁决、冲突有消解、经验能沉淀、错误可撤销二、记忆从哪来：语义记忆的受治理写入记忆的结构与置信分层：对象、关系、事件、指标、动作、场景六要素；每条记忆带证据等级——数据验证（verified）、人工断言（asserted）、缺口（gap）——类比业界情景记忆/语义记忆分层，区别在于置信等级由真实数据裁决产生，不由模型自评写入把关：大模型只提议、真实数据裁决——取值重叠度须过阈值、子键不唯一、父键接近唯一、列名有据可依，四道判据缺一不可；通不过的降为候选，不入正式记忆踩坑之一：时序假象。同一对字段在单日窗口下取值完全重合，看上去就是一条真关系，窗口拉长到一个月即崩塌——采样窗口不足一律不予写入冲突消解三招：时间轴校验（排除巧合性重合）、双源融合（代码中的 JOIN 证据优先于命名推断）、对抗评审（独立评审多数否决即打回重抽）踩坑之二：人工断言冒充数据验证。早期实现允许把人工确认写成 verified，记忆置信被悄悄稀释；现在这条纪律写进接口签名——人审只产生”断言”，verified 只能由数据裁决产生与业界方案的分工：时序知识图谱记忆（如 Zep 的双时序边）回答”事实何时有效”；我们在企业库场景回答”这条记忆该不该写入”——记忆生命周期的两端，可互补三、记忆怎么用：共享、调度与动态上下文构建共享语义记忆：多个智能体读写同一套语义，“工单”在所有 Agent 中是同一个”工单”；写权限唯一收口——大模型唯一的写路径是把自然语言翻译成带类型的受治理操作，预览、人审后落盘，全程可回滚记忆调度即上下文构建：按问句锚定对象→沿已验证关系召回子图→挂指标口径与术语，成套注入；只注入锚定命中的子图而非全图，兼顾上下文长度与成本踩坑之三，存而不用：数百条中英术语词典建成后，检索链路曾长期没有消费它——由此提出”消费方审计”：每新增一类记忆，必须答得出”它的消费方在哪”用记忆做指代消解（本体即实体注册表）：多轮对话中的指代（“它／该产线”）显式回填上文命中的对象，不引入通用 NLP 组件；中文表名后缀剥离——“销售订单事实表”须按”销售订单”命中答案的可追溯与拒答规范：答案同屏给出指标口径卡（计算口径、出处表列、血缘入口）；实体未在记忆中命中即明确拒答，不做无锚定的自由生成四、记忆怎么长：经验沉淀与持续学习闭环程序性记忆的沉淀：把建模教训做成可插拔的提示词组件注入构建流程——对比实验：注入”建模规范”组件后，对象与关系候选大幅收敛、已验证占比明显上升、关系动词全部落入白名单，“经验轨迹→Skill”有可对照的产物证据教训固化为代码而非文档：踩过的坑各有归宿——时序假象固化为采样窗口判据、断言冒充固化为接口签名、存而不用固化为消费方审计清单、跨引擎模型名错配固化为运行时模型族校验、数据对不上账固化为分层对账检查项证据回流：用户反馈→评审队列→记忆修订→下游即时生效（评审否决一条关系，引用它的查询立即被拦截）；版本快照与一键撤销保证记忆修订可逆持续学习的度量：自建金标评测集（Spider、BIRD 等公开基准覆盖不了企业口径与脏数据），金标先在库上实跑校准；评测暴露的”记忆的病”往往是数据的病——汇总层与明细层对不上账，处置是把分层对账固化为数据质量检查项五、边界与取舍写入把关的覆盖率代价：宁缺勿滥会把部分真知识挡在正式记忆之外——我们选择”缺口透明”而非”虚假完整”前置条件：指标口径要有人拍板，这是管理问题不是技术问题什么时候不需要：单表能答、口径唯一的场景，一条 SQL 就够收束：记忆不是缓存，是需要治理的资产——写入有裁决、冲突有消解、经验能沉淀、错误可撤销实践痛点写入把关的覆盖率与准确性之争：数据裁决宁缺勿滥，代价是把一部分真实存在但证据不足的关系挡在正式记忆之外，覆盖率承压；我们选择把它们透明地放进候选与缺口清单，而不是降低门槛换虚假完整—