对话Agent长期记忆如何进入上下文

用户周一告诉 AI 自己对花生过敏，周四问零食推荐，却收到花生酱饼干的建议。原文用这个例子指出对话 Agent 长期记忆的一个关键问题：事实即使已经保存，也可能在需要时没有进入模型上下文。作者结合 Mem0、Letta 和自己参与开发的 Sipplay，讨论如何安排这些信息。

目前能确认什么

模型生成回答时，需要依赖当前上下文中的信息。外部记忆库保存了什么，与本轮实际提供给模型什么，是两个环节。

原文把记忆设计拆成三个问题：哪些事实始终留在上下文里；对话压缩时保留什么；移出上下文的信息何时检索，以及如何判断多条记录中哪条仍然有效。

按节选描述，Mem0 在回复前检索相关记忆，在对话后提取新记忆。其提取策略只追加记录，把冲突处理放到读取阶段。例如会议改期后，新旧时间都保留，再由检索和排序选择适用记录。代价是，关键事实能否被使用，仍依赖检索是否命中。

Letta 则区分常驻与按需读取的记忆：节选称，system/ 下的文件每轮进入系统提示词，其他文件由 Agent 按需读取；还可以在上下文压缩事件发生时触发后台记忆整理。

作者提到 Sipplay 结合了两类思路，但节选在具体方案展开前中断，无法确认其实现。

我的判断

长期记忆的验收标准，应包含关键事实是否进入了需要它的那一轮上下文。

对程序员来说，排查「失忆」需要先定位环节：事实没提取出来、被压缩丢弃、检索没命中，还是旧记录排在新记录前面。这些故障需要不同的修复办法。

过敏、权限限制等硬约束，我倾向于放进受控的常驻上下文，并明确更新规则；普通偏好和历史事件再按需检索。常驻内容也会占用上下文，不能无限累加。

尚不清楚的是：Sipplay 如何让用户指定必须保留的事实，以及这些事实如何跨越压缩过程。节选也没有充分展开 Letta 后台整理与压缩步骤的执行顺序，不能据此认定它能保证关键记忆绝不丢失。