第八章《记忆与检索》习题答案｜逐章学习笔记

[jarvanstack]

本帖是我对《从零开始构建智能体》的逐章学习答案。基于教材仓库 main 分支提交 92e6891（2026-08-09 读取）。开放题为个人理解，欢迎指正。

原章链接：第八章 记忆与检索

1. 四类记忆与健康助手

情景记忆保存“某时发生了什么”，检索既要语义相似又要优先近期，因此公式给时间近因性 0.2；语义记忆保存稳定概念和关系，时间不一定表示正确性，图结构能找实体关系和多跳证据，因此用 0.3 图检索补充 0.7 向量检索。权重不是普适常数，应在实际查询集上学习/调参，并对医疗知识加来源和有效期。

健康助手中：工作记忆保存本次对话、今日目标和当前运动状态；情景记忆保存某天饮食、睡眠、运动和异常事件；语义记忆保存稳定偏好、过敏、医生限制及营养/运动概念；感知记忆保存餐食图片、动作视频、可穿戴时序及其特征。原始医疗数据与模型总结要分开，建议不能越过医疗边界。

工作记忆整合长期记忆的触发可以综合：用户明确要求记住；重要性/风险高；跨会话重复出现；被多次访问；与长期目标相关；会话即将结束且事实已确认。整合前去重、解决冲突、标注来源/时间/置信度；敏感信息需用户授权，临时状态（如“今天头痛”）通常进情景而非稳定语义。

2. 分块、MQE/HyDE 与嵌入选型

无标题文档可先按段落/条款/场景分出候选单元，再用相邻 embedding 相似度寻找语义突变；同时限制最小/最大 token，并给窗口重叠。法律条文还应保留“章—条—款—项”结构和交叉引用，小说要避免把对话与其叙事上下文拆开。

def semantic_chunks(paragraphs, embed, threshold=0.62, max_tokens=500):
    vectors = embed(paragraphs)
    chunks, current = [], []
    for i, paragraph in enumerate(paragraphs):
        boundary = i > 0 and cosine(vectors[i-1], vectors[i]) < threshold
        overflow = token_len("\n".join(current + [paragraph])) > max_tokens
        if current and (boundary or overflow):
            chunks.append("\n".join(current))
            current = current[-1:] if not boundary else []  # 可选重叠
        current.append(paragraph)
    if current:
        chunks.append("\n".join(current))
    return chunks

技术文档问答中，基础检索适合术语明确的精确问题，成本最低；MQE 把“连接超时”扩展为症状、错误码和同义表达，提高召回但会引入噪声；HyDE 先生成一段假设答案再嵌入，适合用户问题与文档措辞差异大，但假设错误会把检索带偏。可以先基础检索，低召回/低置信度时再启动 MQE/HyDE，并用 reranker 合并。

方案	准确性	速度/成本	离线
百炼 API embedding	通常语义效果强，版本需治理	网络延迟、按量成本	否，需评估数据出域
本地 Transformer	可选择领域/中文模型并微调	GPU 批处理快，有运维成本	是
TF-IDF	对关键词/专名强，语义弱	极快、便宜	是

通用原型可用 API，隐私/大规模稳定负载用本地模型；法规编号、错误码等关键词场景应采用 BM25/TF-IDF 与向量混合，而非二选一。

3. 智能遗忘、归档与彻底删除

可定义保留分数：

retain = 0.40*importance + 0.25*log_access + 0.20*recency + 0.10*goal_relevance + 0.05*source_quality

分数归一化后，低于阈值且不属于法定保留/用户固定/安全事件的记忆成为遗忘候选。相似记忆先聚合摘要，把来源 ID 保留；不能让“经常被错误检索”反而获得高访问分。

归档层将长时间不用但潜在重要的情景、语义和感知原始数据移到加密对象存储，热库只留元数据、摘要和恢复指针；工作记忆一般直接过期或整合。查询低置信度且命中归档目录时，异步恢复到隔离缓存，并记录访问。归档有生命周期、备份、密钥和删除策略。

隐私删除必须覆盖主数据库、向量及 payload、图节点/边、缓存、搜索索引、对象存储、消息队列、派生摘要、日志和备份。使用稳定 data_subject_id/source_id 建立删除清单和 tombstone，防止旧事件重新索引；备份可采用加密擦除或到期淘汰，并记录删除证明。如果数据已用于模型训练，还需评估机器遗忘/重训；仅删一行数据库并不足够。

4. 学习助手的路由、报告与多租户

教材/课程事实优先 RAG；用户历史、偏好、掌握度和“我之前学过什么”优先 Memory；既问教材又要求个性化时并行检索并明确来源。路由器可先做意图多标签分类，再结合实体（课程 vs 用户）、时效和检索置信度选择 rag/memory/both/none；最终答案分别标注“教材证据”和“个人历史”。

学习报告需要情景记忆重建学习时间线和答题记录；工作记忆提供当前计划；语义记忆保存概念掌握度、误解和先修关系；感知记忆处理手写/语音材料。先把测验映射到知识图谱节点，计算近期正确率、间隔保持率和证据数量，找“高重要+低掌握”的盲点；再从 RAG 检索适合难度的下一节内容。建议必须可解释，不能仅根据聊天次数判断掌握。

多用户隔离：Qdrant 每个点带不可伪造的 tenant_id/user_id，服务端在所有查询强制过滤；大租户可独立 collection/shard。Neo4j 的所有节点和关系带 tenant，查询从 tenant 根节点出发；高合规租户使用独立 database/实例。密钥、备份和导出也按租户隔离，做越权测试。性能上使用 tenant+类型+时间索引、分区、批量 embedding、缓存和每租户限额；不要相信由 LLM 生成的过滤条件。

5. 知识图谱质量与图检索

自动抽取会在实体别名、代词、否定、时间限定、嵌套关系和领域术语上出错，也会把模型推断当事实。质量评估应包含：抽样人工标注的实体/关系精确率与召回率；schema 合法率；实体去重率；来源覆盖和可追溯性；冲突率；时间一致性；下游查询正确率。高风险关系需双来源或人工确认，每条边保存原文锚点、抽取模型版本和置信度。

示例查询：“某患者正在服用的药物中，哪些通过共享代谢酶与其过敏药物存在两跳冲突？”图查询可沿 Patient-TAKES->Drug-METABOLIZED_BY->Enzyme<-METABOLIZED_BY-Drug 查路径，并叠加时间与禁忌关系。纯向量检索能找相似文本，却难保证实体一致、路径完整和逻辑连接。

图检索在关系型、多跳、集合约束、路径解释和精确实体查询上收益显著，例如“某项目依赖的库中，哪些间接依赖受同一 CVE 影响”。向量更适合模糊语义和文本表述差异。混合策略先用向量找候选实体/文档，再用图扩展和约束，最后按证据重排；图质量差时应降级，不能让错误关系获得结构性放大。