Agent 记忆库
让生产 Agent 跨会话记得住，token 账单可预测
将企业知识组织为可治理的结构化记忆单元，按团队、领域与话题划分边界。分层唤醒在会话启动加载核心上下文，用户提问后再展开相关细节——减少用户重复陈述与答非所问，避免 token 成本随每次会话线性上涨。
能力清单
- ✓多团队治理：按 Library / Scope / Topic 划分记忆边界
- ✓分层唤醒：启动加载核心上下文，按需展开——token 成本可预测
- ✓可追溯关联：Path backlink 支持审计与知识演化
- ✓公开基准：ENGRA-KB-v2 Recall@10 75.3%，较传统分块 RAG +20pp
- ✓生产接入：Memory MCP + REST API，配额管理与 SLA
记忆分层模型
用 Library → Scope → Topic → Atom 回答四个问题：哪个记忆库、在哪个领域、关于什么主题、具体一条记忆是什么。
- 1
Library · 记忆库
隔离的记忆工作区（租户边界）：独立存储、向量与索引。同一团队可按项目或场景创建多个记忆库。
示例：客服知识库、研发 Runbook、入职引导库
- 2
Scope · 领域
粗粒度主题桶，划分工作大域，而不是单条记忆的标题。写入时若未填写，系统可自动建议。
示例：工程、财务、运营
- 3
Topic · 话题
Scope 下的窄主题，按语义聚类（账单、鉴权、发布流程等）。默认不按日历分桶；若需时间阶段，可写入 Scope / Topic 的命名。
示例：账单、接口鉴权、入职引导
- 4
Atom · 记忆原子
最小可检索单元：一篇结构化正文、可选原文附件，以及对应的语义向量。记忆之间的引用带 Scope / Topic / 标题路径。
示例：一条客户结账规则、一次故障复盘摘要
记忆栈（唤醒与检索）
与四层归档配合：决定 Agent 启动与对话时先加载什么、再搜索什么。
- L0L0 身份 — 稳定自我描述
- L1L1 核心叙事 — 高显著性 Atom 精选
- L2L2 按需召回 — 可限定 Library / Scope / Topic
- L3L3 深度搜索 — 全库语义检索
产品分层为 Library / Scope / Topic / Atom。公开 API JSON 仍可能暴露绑定到记忆库的 persona（library-{id}）；字段细节见 API 文档。
反向链接图谱
2D 在同一平面上展示已链接的 Atom；3D 在后方显示按 Topic 重新压缩的主题簇（由高相关 Atom 衍生总结）。
[[/finance/billing/invoice-rules: 每月 25 日结账]]
以上为交互演示数据。团队写入带链接的 Atom 后，可在控制台查看实时图谱。
基准测试与对照结果
ENGRA-KB-v2（550 文档 / 400 查询）上，Structured atom 检索优于 BM25 与传统分块 RAG；完整对照表与 JSON 可下载复现。
76.0%
Recall@10
较 BM25 +24.0 pp
0.301
MRR
较 BM25 +17%
550/400
文档 / 查询
ENGRA-KB-v2 论文规模套件
合成企业语料 · 相同嵌入模型 · 仅评检索阶段
API 前缀
/api/v1/memory