项目背景

金融助手如果只依赖当前对话上下文，很难稳定记住用户风险偏好、关注行业、历史投资事件和交互习惯。这个项目面向投顾类 AI Agent，目标是把“长期记忆”从简单文本片段升级为可治理、可审计、可回放的结构化服务。 系统基于 mem0 fork 改造，并参考 MIRIX 的 typed memory 思路，将金融场景里的记忆拆成不同语义组件，避免所有信息混在同一个向量库里导致召回不可控。

我的职责

我负责记忆服务的核心设计与实现，包括 typed memory 类型系统、prepareTurn / commitTurn 双阶段编排、SQLite sidecar 持久化、状态索引、审计日志、幂等机制和治理接口。 这部分在简历里写得很短，网站里补充重点：长期记忆不是“把聊天记录存起来”，而是要决定什么信息能写、怎么写、什么时候召回、如何覆盖、如何追加、如何删除，以及出问题后如何回放。

系统拆解

• Typed Memory 将记忆拆为 UserCore、InteractionPreference、FinancialEntityFact、InvestmentEvent 四类，分别表达用户画像、交互偏好、金融实体状态和投资事件。
• prepareTurn 在一轮对话前执行记忆召回、过滤和上下文组装，控制哪些记忆进入模型上下文。
• commitTurn 在一轮对话后执行候选抽取、归因判断和写入决策，避免把临时噪声直接写成长久事实。
• SQLite sidecar 维护状态索引、审计日志、事件幂等表和回放所需元数据，补足纯向量记忆难以治理的问题。
• 治理接口 支持 STATE 覆盖、EVENT 追加、soft delete、export、replay 和一致性校验。

关键实现

• 将金融记忆拆成“状态型记忆”和“事件型记忆”：用户画像、偏好、实体事实适合覆盖更新，投资事件更适合追加保留历史。
• 使用 decisionToken 和 turnHash 保证单轮记忆操作幂等，减少重试或重复提交造成的重复写入。
• 为 memory_record_index 和 state_index 设计索引，支持按用户、类型、实体、时间和状态快速过滤。
• 通过 audit_log 记录每次写入来源、变更前后状态和触发原因，支持审计回放和问题定位。
• 使用 OpenSpec 约束接口语义，并通过测试覆盖写入、召回、覆盖、追加、软删除、导出、回放和一致性校验链路。

技术栈

Python、mem0、MIRIX、SQLite、OpenSpec、TDD、RAG recall layer

可聊点

这个项目可以深入聊 AI Agent 长期记忆的真实工程挑战：记忆类型如何设计、状态覆盖和事件追加如何区分、会话级幂等如何保证、向量召回和结构化索引如何配合，以及金融场景为什么必须保留审计和回放能力。