conversation-memory

Conversation Memory - LLM 对话记忆系统

技能概述

Conversation Memory 为 LLM 应用提供持久化记忆能力，让 AI 助手能够记住用户、保存对话历史，并在需要时智能检索相关内容。

适用场景

1. 需要"记住"用户的 AI 助手

当你希望你的 AI 应用能够在多次对话中记住用户偏好、历史交互和个人信息时，这个技能提供了分层记忆系统（短期、长期、实体记忆），让 AI 像真人一样建立持续的用户关系。

2. 长时间对话保持上下文连贯

对于需要跨越多天甚至多月的长期对话场景，Conversation Memory 通过记忆整合和智能检索机制，确保 AI 能够调用历史信息，避免重复询问或上下文丢失的问题。

3. 多用户环境下的记忆隔离

在客服、企业知识库等多人共用场景中，该技能内置严格的用户隔离机制，确保每个用户的记忆安全独立，不会出现数据泄露或混淆。

核心功能

分层记忆架构

提供短期记忆、长期记忆和实体记忆三种类型，分别应对即时上下文、持久化信息和结构化知识提取。短期记忆处理当前会话，长期记忆存储跨会话信息，实体记忆自动提取和更新人物、地点、事件等关键实体信息。

智能记忆检索

不是简单地将所有历史记录塞入提示词，而是根据当前对话内容智能筛选最相关的记忆片段。这既保证了上下文相关性，又避免了记忆过多导致的响应变慢和成本上升。

记忆生命周期管理

内置记忆清理、合并和优先级管理机制，防止记忆存储无限增长。系统会自动识别过时或低价值记忆并进行整理，确保长期运行下的性能稳定。

常见问题

Conversation Memory 和 RAG 有什么区别？

RAG（检索增强生成）主要用于从外部文档库中检索知识，适合处理静态文档和知识库；而 Conversation Memory 专注于对话过程中的动态信息存储和检索，关注用户交互历史和上下文延续。两者可以配合使用：RAG 提供知识，Memory 提供个性化上下文。

记忆系统会让我的应用变慢吗？

不会。Conversation Memory 采用按需检索策略，只会将与当前查询相关的记忆片段加载到上下文中，而不是全部历史。配合记忆生命周期管理，长期使用也能保持稳定性能。

如何确保多用户的记忆安全？

该技能支持严格的用户隔离机制，每个用户的记忆独立存储，通过用户 ID 进行访问控制。在实现时需要确保正确传递用户标识符，避免跨用户访问。

这个技能有什么使用限制吗？

Conversation Memory 主要管理对话记忆，不适合存储大量非对话型数据（如文档、图片）。对于需要存储和检索外部文档的场景，建议配合 RAG 类技能使用。另外，记忆检索的质量取决于当前查询与历史记忆的相关性匹配算法。

相关技能

配合 context-window-management 优化提示词长度，rag-implementation 处理外部知识库，prompt-caching 降低重复上下文的调用成本。