情感陪伴应用的长期记忆架构：从会话缓存到持久化记忆网络

情感陪伴应用的长期记忆架构从会话缓存到持久化记忆网络一、对话结束后记忆即消失的体验断层用户周一告诉 AI 陪伴助手我最近在准备面试很焦虑。AI 给出了温暖的鼓励和实用的建议。周三用户再次打开对话说今天又是那种感觉。AI 回复听起来你今天过得不太顺利能跟我聊聊吗。这个回复在技术上没有错误——它识别了情绪给出了共情回应。但它缺少一个关键信息用户正在经历的是面试焦虑而不是今天不太顺利的一般性情绪。会话缓存在对话窗口关闭后即消失。这意味着每次新对话都是初次见面AI 永远无法积累对用户的理解深度。情感陪伴应用的核心价值在于了解你而了解的基础是长期记忆。二、长期记忆的三层架构按信息的时效性和结构化程度将记忆分为三层graph TB subgraph 工作记忆会话级 W1[当前对话历史] W2[本轮情绪状态] W3[最近 3 条用户提及] end subgraph 情景记忆周-月级 E1[关键事件时间线br/上周二提到面试] E2[情绪变化趋势br/本周焦虑程度上升] E3[对话主题聚类br/过去 7 天主要话题] end subgraph 语义记忆持久级 S1[用户画像br/年龄/职业/兴趣] S2[长期偏好br/喜欢的互动方式] S3[核心价值观br/对家人/工作的态度] end W1 --|提取关键事件| E1 W2 --|聚合趋势| E2 E1 --|沉淀为持久知识| S1 E3 --|提炼主题偏好| S2工作记忆只在当前会话内有效——包括对话历史和实时情绪。情景记忆从工作记忆中提取关键事件和情绪趋势保留数周到数月。语义记忆从情景记忆中沉淀出稳定的用户画像和偏好理论上永久保留。三、记忆提取与检索的实现 长期记忆管理系统——三层记忆的提取、存储与检索。 设计意图每轮对话后自动提取关键信息 下次会话开始时检索相关记忆注入 Prompt。 from dataclasses import dataclass, field from typing import List, Optional from datetime import datetime, timedelta from enum import Enum import json class MemoryType(str, Enum): WORKING working # 工作记忆 EPISODIC episodic # 情景记忆 SEMANTIC semantic # 语义记忆 dataclass class Memory: 记忆条目 id: str type: MemoryType content: str # 情绪标签——用于情绪趋势聚合 emotion: Optional[str] None # 重要性 0-1——决定保留优先级 importance: float 0.5 created_at: datetime field(default_factorydatetime.now) last_accessed: datetime field(default_factorydatetime.now) # 访问次数——高频访问的记忆不衰减 access_count: int 0 dataclass class MemoryContext: 注入 Prompt 的记忆上下文 recent_events: List[str] # 近 7 天关键事件 emotion_trend: str # 情绪趋势描述 user_profile: str # 用户画像摘要 last_topic: str # 上次对话主题 class MemoryManager: 记忆管理器 def __init__(self, user_id: str): self.user_id user_id self.working_memory: List[Memory] [] self.episodic_cache: List[Memory] [] self.semantic_cache: List[Memory] [] async def extract_from_conversation( self, user_message: str, ai_response: str, ) - List[Memory]: 从对话中提取记忆——由 AI 辅助完成。 设计意图不依赖规则匹配让 AI 判断哪些信息值得记忆。 extraction_prompt f分析以下对话提取需要长期记忆的关键信息。 用户消息: {user_message} AI 回复: {ai_response} 提取规则 1. 只提取用户相关的信息事实、情绪、偏好、事件 2. 每条信息赋予重要性评分0-1 - 0.8-1.0核心身份信息职业、家庭成员 - 0.5-0.7重要事件生病、面试、旅行计划 - 0.2-0.4一般偏好喜欢的颜色、音乐 3. 标注情绪标签happy/sad/anxious/angry/calm/neutral 输出 JSON 数组 [{{content: 记忆内容, importance: 0.8, emotion: 焦虑}}] # 调用 AI 提取记忆省略实际调用代码 raw_result await self._call_ai_for_extraction(extraction_prompt) try: items json.loads(raw_result) except json.JSONDecodeError: return [] memories [] for item in items: memory Memory( idfmem_{datetime.now().timestamp()}_{len(memories)}, typeMemoryType.EPISODIC, contentitem[content], emotionitem.get(emotion), importanceitem.get(importance, 0.5), ) memories.append(memory) # 重要性 0.7 的直接计入语义记忆候选 if memory.importance 0.7: memory.type MemoryType.SEMANTIC return memories async def get_context_for_session(self) - MemoryContext: 为新一轮对话组装记忆上下文 now datetime.now() one_week_ago now - timedelta(days7) # 检索近 7 天的情景记忆 recent [ m for m in self.episodic_cache if m.created_at one_week_ago ] # 按重要性排序取前 5 条 recent.sort(keylambda m: m.importance, reverseTrue) recent_events [m.content for m in recent[:5]] # 情绪趋势聚合 emotion_trend self._aggregate_emotion(recent) # 用户画像语义记忆 profile_items [m.content for m in self.semantic_cache[:3]] user_profile .join(profile_items) if profile_items else 暂无 # 上次对话主题 last_topic self.episodic_cache[-1].content if self.episodic_cache else 暂无 return MemoryContext( recent_eventsrecent_events, emotion_trendemotion_trend, user_profileuser_profile, last_topiclast_topic, ) def build_memory_prompt(self, context: MemoryContext) - str: 将记忆上下文注入 Prompt parts [] if context.user_profile ! 暂无: parts.append(f## 关于用户\n{context.user_profile}) if context.recent_events: events_text \n.join( f- {e} for e in context.recent_events ) parts.append(f## 近期关键事件\n{events_text}) if context.emotion_trend ! 无显著情绪: parts.append(f## 情绪趋势\n{context.emotion_trend}) if not parts: return # 注入指令——让 AI 在回复中参考但不复读记忆内容 parts.append(\n请在回复中自然地融入以上信息不要直接复述记忆内容。) return \n\n.join(parts) def _aggregate_emotion(self, memories: List[Memory]) - str: 聚合情绪趋势——简单多数判断 if not memories: return 无显著情绪 emotions [m.emotion for m in memories if m.emotion] if not emotions: return 无显著情绪 # 统计情绪分布 from collections import Counter counter Counter(emotions) dominant counter.most_common(1)[0] if dominant[1] / len(emotions) 0.5: return f近 7 天主要情绪{dominant[0]} return 情绪波动较大无主导情绪 async def _call_ai_for_extraction(self, prompt: str) - str: 调用 AI 做记忆提取占位实现 return [] def decay_old_memories(self, days_threshold: int 90) - int: 记忆衰减——超过阈值的低重要性记忆自动清理 threshold datetime.now() - timedelta(daysdays_threshold) before len(self.episodic_cache) self.episodic_cache [ m for m in self.episodic_cache if m.created_at threshold or m.importance 0.7 ] return before - len(self.episodic_cache)三个关键设计AI 辅助记忆提取——不依赖规则匹配让模型判断哪些信息值得记住避免关键词误判重要性评分决定记忆生命周期——高重要性的记忆晋升到语义层低重要性的随 TTL 淘汰记忆注入 Prompt 时附带指令自然融入而非直接复读——避免 AI 生硬地复述用户的历史信息。四、记忆系统的隐私与伦理边界记忆的知情权。用户应该知道 AI 记住了自己的哪些信息并有能力查看和删除。在产品 UI 中提供AI 关于你的记忆页面列表展示所有已存储的记忆条目和来源对话。记忆的遗忘权。隐私法规GDPR 第 17 条赋予用户数据删除权。删除操作应覆盖三层记忆——不仅要删除语义记忆还要追溯到生成该语义记忆的原始情景记忆一并删除。敏感信息的判定。AI 提取的用户记忆可能包含敏感信息健康、性取向、政治观点。需要在提取阶段加入敏感信息过滤器对特定类别信息不提取或标记为需用户确认后存储。五、总结情感陪伴应用的长期记忆架构三层记忆——工作记忆会话级、情景记忆周-月级、语义记忆持久级AI 辅助提取关键信息重要性评分决定记忆生命周期记忆上下文注入 Prompt 而非独立存储保持信息时效性隐私保护——记忆的知情权、遗忘权和敏感信息过滤。落地建议先实现情景记忆最近 7 天事件这是性价比最高的记忆层用 AI 提取而非规则匹配——提取准确度直接影响回复质量在产品中提供AI 记忆管理页面建立用户信任每周运行记忆衰减清理防止存储无限膨胀。