项目背景

投顾类 AI Agent 需要在多轮交互中持续利用用户画像、交互偏好、实体状态和投资事件。长期记忆不能只是保存聊天记录，还要区分状态与事件的写入语义，并在召回、审计和删除过程中保证用户数据隔离。

我的职责

我负责金融场景结构化记忆模型、会话前后双阶段流程、SQLite sidecar 状态与审计数据，以及记忆过滤和治理能力的设计与实现。

系统拆解

• 结构化记忆模型：拆分用户画像、交互偏好、实体状态与投资事件，避免长期记忆退化为普通聊天记录。
• prepareTurn：会话开始前召回并组装 MemoryPack，为本轮生成提供经过过滤的长期信息。
• commitTurn：会话完成后校验同轮输入并提交记忆，形成召回、生成与写入闭环。
• SQLite sidecar：维护状态索引、审计日志和事件幂等信息，使主链路与治理数据解耦。
• 治理链路：对召回和写入执行用户隔离、状态过滤、敏感拒写，并支持审计回放和删除治理。

关键实现

• 使用 prepareTurn / commitTurn 双阶段流程，确保召回上下文与同轮写入能够关联和校验。
• 将会话前检索结果整理为 MemoryPack，集中承载本轮可使用的用户画像、偏好、状态与事件。
• 在 SQLite sidecar 中记录状态索引、审计日志和事件幂等键，支持重复提交防护和问题追踪。
• 对实体状态采用 STATE 覆盖语义，对投资事件采用 EVENT 追加语义，区分当前事实和历史事件。
• 在召回和写入阶段执行用户隔离、状态过滤与敏感拒写，并提供审计回放和删除治理能力。

技术栈

Java、SQLite sidecar、prepareTurn、commitTurn、MemoryPack、AI Agent