← AI Agent

Agent 的长期记忆修改或删除后,如何保证检索向量不再使用旧内容?

中等 记忆增强 · 第 3 / 3 问 更新于 2026/11/11
AI Agent长期记忆Embedding数据一致性并发控制
本题落地项目AI Agent智能记账与财务管家

简化版

把记忆原文当作权威数据,把向量当作可重建的派生索引。修改后立即作废旧向量,后台重新生成;检索前过滤用户、启用状态、索引状态及模型版本;写回时校验生成依据仍是当前版本,删除则同时清理原文和索引。

详细版

一次更新包含两个不同阶段:保存用户的新事实,以及让索引反映新事实。模型调用可能很慢,不能只等向量算完再决定旧内容是否失效。

操作权威数据派生向量检索行为
新增保存正文与归属标记待生成完成前不参与语义召回
修改更新正文和版本立即失效,重新生成排除旧向量
停用保留正文,关闭启用可保留过滤停用记录
删除删除或标记删除删除或失效禁止继续命中

生成请求应带正文版本或内容指纹。结果返回后,只有该用户的记录仍存在、仍启用且版本未变,才把结果设为有效。生成失败可以返回更少的参考信息,不能为了提高召回率继续使用已经被纠正的旧事实。

完整版教学

一、为什么记忆更新不等于向量更新

原文保存的是用户当前认可的事实,向量保存的是某一时刻文字的数值表示。 把“午餐可以外卖”改成“工作日午餐必须在公司食堂”,旧向量仍可能更接近外卖相关问题。 若检索按旧向量命中,却读取新正文,会出现排序依据与展示依据不同的问题。 若连正文也缓存了,甚至会把用户已经纠正的事实继续注入上下文。

用户确认的正文 v2
    └─ 应当对应 Embedding(v2)
旧索引 Embedding(v1) ── 必须立即退出有效候选

因此索引需要明确说明自己由哪个版本生成,不能只有一列向量值。 模型本身不会知道数据库里刚发生了什么,失效与更新必须由应用完成。

二、把可检索条件写成明确谓词

读取长期记忆先判断访问资格,再计算相关性。 用户归属、启用状态、删除状态、索引状态和版本兼容性都是资格条件。 相似度高也不能绕过其中任何一项,否则删除、停用或用户隔离只是页面上的装饰。 候选过滤尽量发生在取回正文之前,避免越权内容先进入模型再被要求忽略。

eligible = same_user
        && enabled && !deleted
        && index_status == READY
        && source_version == current_version
        && embedding_space == active_space

例如有100条记忆,其中10条停用、5条待重建,即使这些记录语义最相近,也只能在剩余85条中检索。 少返回一条参考是可观察的功能降级,返回已撤销信息则是数据错误。

三、用状态区分已保存与已可用

可以把向量状态建模为待生成、处理中、已完成和失败。 正文保存成功后立即失效旧索引,再安排后台生成;不能先把新正文标为“已完成”。 失败原因和更新时间帮助区分模型不可用、内容不合法和请求超时。 同一记忆反复修改时,可合并任务,只保留对当前版本有意义的工作。

时间正文索引状态是否可召回
t0v1READY(v1)是
t1v2PENDING否
t2v2READY(v2)是

如果t2生成失败,仍保留v2正文,允许重试更新索引。 不能把v2悄悄改回v1,也不能让旧向量冒充v2的结果。

四、并发写回为什么必须二次核对

假设第一次修改生成v2向量需要3秒,第二次修改生成v3向量只需要1秒。 若按请求返回次序覆盖,v3先保存成功,迟到的v2反而会覆盖它。 “最后返回”不代表“最新事实”,这是异步派生数据常见的竞态。 解决办法是带版本号或内容指纹,以条件更新拒绝过期结果。

下面是通用伪代码,强调版本核验而不是某个框架接口:

snapshot = read_memory(memory_id, owner)
vector = await embed(snapshot.text)  # 在事务外等待
with transaction():
    current = lock_memory(memory_id, owner)
    if current is None or current.version != snapshot.version:
        return  # 被删除或改写,丢弃迟到结果
    save_vector(vector, source_version=current.version, status="READY")

版本号还可以防止内容从A改B又改回A的情况。 若只比较正文相等,能防常见覆盖,但不能区分所有历史操作;按业务要求选择精度。

五、模型切换和删除同样会让索引失效

向量长度相同不保证来自同一语义空间,两种模型都输出1024维,也不能据此混合比较。 至少保存模型标识、维度和生成依据,切换模型后重新构建兼容索引。 若同名模型在服务商侧发生变化,更严格的系统还需要内部模型版本标识。 生成失败后也不能把新模型的查询向量与旧模型结果硬凑在一起。

删除必须覆盖向量、缓存和派生摘要中仍可能引用该记忆的内容。 生成任务结束前用户删除了记录,写回入口应发现权威记录已不存在,禁止重新插入成为“复活”的记忆。 如果原文和向量在同一数据库,可用事务协调删除;跨系统则需要可靠的删除任务和重试记录。 检索入口保留资格过滤,可以在异步删除尚未完成时先阻止内容被使用。

六、如何验证一致性而不是只测召回率

准备一条可稳定召回的记忆,修改后立即查询旧表达,确认旧版本不再被当作当前有效事实。 暂停Embedding请求,在请求等待期间删除或再次编辑,然后释放旧响应,检查它是否被拒绝写回。 再测试停用、模型切换、维度变化和索引失败,验证每种状态都遵守相同的读取资格。 这些测试不需要模型给出相同措辞,检查的是索引状态和实际读写结果。

案例:20次并发改写,只有最后版本允许READY
关注:过期写回成功数应为0,删除后召回数应为0
同时观察:重建成功率、索引延迟、失败重试次数

记忆钩子:先让旧索引失效,再生成新索引;返回后重新验版本,相关性永远排在资格之后。

七、常见误区与追问

  • 误区:原文改了,检索读新正文就足够。 排名仍可能由旧向量决定,命中行为会与当前内容脱节。
  • 误区:向量维度相同就能混用。 维度只是长度,模型产生的语义空间还必须兼容。
  • 误区:生成失败就继续沿用被纠正的旧事实。 用户撤销后应立即失效,可以少参考,不能假装仍有效。
  • 追问:停用后必须立即删除向量吗? 可以保留以便启用后更新,但所有读取都必须过滤停用状态。
  • 追问:失败状态回写也需要验版本吗? 需要,否则旧请求的失败会覆盖新版本已经成功的状态。
  • 追问:所有模型调用都要放事务里吗? 网络调用在事务外,短事务负责锁定、核验和最终写入。

八、加强记忆

把长期记忆看成权威正文加派生索引:用户改的是事实,应用负责立即撤销旧索引资格,后台负责生成新表示,提交时确认依据没有变化。排查问题按“属于谁、是否有效、哪版正文、哪个模型、何时写回”逐项核对;这样既能解释为什么暂时少一条召回,也能挡住并发旧结果和删除后复活。生命周期控制与语义相关性必须同时成立。

项目实战落地

项目里怎么做的

《AI Agent智能记账与财务管家》:记忆修改后先把对应向量标为待向量化,检索只取已完成候选。后台和检索前的刷新重新生成向量;_save_vector、_mark_fail 在事务内锁定记忆,再比较主体名和正文是否仍与请求开始时一致,已修改或已删除就跳过旧结果。停用记录被过滤,删除记忆同步删向量;切换模型或维度也会把不兼容记录纳入更新。

为什么这样取舍

生成向量不占用数据库长事务,落库时再防旧结果覆盖新内容。更新失败可以继续使用其他有效候选,但本次召回可能缺少刚修改的那条。

面试官还会追问

  • 为什么失败状态回写也要核对记忆正文?
  • 模型维度变化后,已有向量怎样重新进入更新范围?

学完《AI Agent智能记账与财务管家》,上面这些追问你都会迎刃而解。

本题落地项目地狱锤炼AI Agent智能记账与财务管家基于 FastAPI + LangGraph + LangChain、ReAct Agent、Function Calling 和 MySQL 持久化记忆,构建智能记账与个人财务管家,实现自然语言与截图识别记账、Excel 账单导入、分级自动分类、预算监控与超支预警、Agent 自主消费诊断、个人记忆 RAG 财务问答及周报月报生成,通过记账纠正、消费偏好提取和建议反馈积累跨会话记忆,结合真实流水校验、省钱方案去重和执行过程留痕,覆盖智能录入、账本分析、个性化建议与反馈记忆持续复用的完整闭环。FastAPIAgentLangChainLangGraphRAG源码+SQL配套面试文档喂饭学习教程环境安装文档 学习这个项目