机器记忆Agent实践：发现自己在用Recall而非Reflect

Full translation

完整中文译文

我的 README 说这个 Agent 使用了 Hindsight 的 Reflect 操作来对机器的故障历史进行推理。我的代码调用的是 Recall，把结果塞进 prompt，然后让 LLM 自己做推理。没有人发现这个问题，直到我去找一个完全不相干的 bug。

这个东西实际在做什么

想法很简单，而且我觉得用得还不够多：每台工业机器都应该有自己的记忆。一个技师今天修了一台泵；六个月后，另一个技师在同一台泵上看到相同的振动模式，却完全不知道以前也发生过。维修报告在某个文件夹里，或者在第一个技师的脑子里，两者在凌晨 2 点生产线停机时都无从查找。

所以我构建了一个小系统——一份合成维护记录的 JSON 文件、一个 Flask UI，以及一个做记忆工作的 Hindsight——让技师描述他们看到的情况，然后返回一个基于上次实际情况的答案，包括那些没有起作用的修复方案。不是"这是一份通用故障排除指南"，而是"R. Bhatt 曾在 2 月尝试给这个轴承重新加脂，没用，以下才是真正有效的方案"。

架构刻意保持精简：

Technician input (symptoms / sensor readings)
              │
              ▼
        demo_agent.py
              │
      ┌───────┴───────┐
      │               │
   RECALL          REFLECT
      │               │
      └───────┬───────┘
              ▼
        Hindsight Memory
              │
              ▼
         Groq LLM

两种模式，两种不同的工作：并排的"有记忆 vs 无记忆"对比用 Recall——抓取相关片段，交给 LLM，让它推理。维修前检查用 Reflect，它应该自己做推理，直接以记忆为基础。这两者的区别就是这篇文章要讲的核心故事。

我发现我的"Reflect"其实并没有在反思的那一刻

我在把这个东西当成完成品之前做了一次诚实的自我审查，问了自己一个简单的问题：代码里到底有没有调用过 reflect()？我用 grep 搜了。没有。

这就是 check_before_repair 长这样：

def check_before_repair(symptoms, lang="English"):
    ...
    texts, err = recall(symptoms, machine)
    ...
    a = llm("You are the Chief Reliability Engineer for a plant. " + SCHEMA, user, json_mode=True)

Recall，然后一个通用的聊天补全在做实际的判断。演示起来效果很好。但这也完全不是我对任何人说的那样。差异比听起来重要得多：Recall 的工作是检索——返回相关片段，然后退出。Reflect 的工作是综合——判断这是否匹配一个已知的故障模式，权衡相互冲突的证据，然后回答真正的判断问题。我用手工做了第二件事，用一个手写的 prompt，而不是让记忆系统来做这件事。

修复方法是直接调用 Hindsight 的 reflect()，并使用结构化输出：

def reflect(query, context=None, tags=None, response_schema=None, budget="mid"):
    r, e = call_with_retry(lambda: hs().reflect(
        bank_id=BANK_ID, query=query, context=context, tags=tags,
        tags_match="any", budget=budget, max_tokens=1600,
        response_schema=response_schema, include_facts=True))
    if e: return None, friendly_error(e)
    return r, None

response_schema 给我一个 JSON Schema，Hindsight 返回匹配它的 structured_output——不再需要让 LLM "请只返回有效 JSON"然后祈祷。include_facts=True 是真正改变架构的部分：它返回一个 based_on 字段，列出 Hindsight 用来生成答案的确切记忆、心理模型和指令。我 UI 中的"为什么 Agent 认为这个"面板现在渲染的就是这个——不是一张我召回并希望模型使用的列表，而是一张模型自己报告它实际使用了什么的列表。

折腾了我半个下午的坑：ID 活在 context 里，不是文本里

Reflect 接好之后，我的引用检查代码坏了。我曾经建了一个守卫，只允许模型引用一个记录 ID——如果那个 ID 出现在检索文本的某处。一开始它拒绝了所有引用。

原因是 Hindsight 的事实提取会把内容改写成原子语句，而我保留文本里嵌入的 [MAINT-2025-001] 风格的标签没能存活于那个改写过程。但我在 retain 时同时传入的 context 字符串——"maintenance record MAINT-2025-001 | machine MCH-017 | tags: ..."——在每条事实上都原封不动地返回了：

id_blob = texts + [f.context for f in facts if f.context]
conf = confidence(symptoms, id_blob)
srcs = sources_from(id_blob)

教训，用一行说清楚：如果你需要某样东西在 Hindsight 的提取过程中原样存活，把它放进 context，别放进你要让它总结的 content 里。

一个只因为 async 才存在的 bug

另一个真正的 bug：一个缓存的 Hindsight 客户端在跨请求复用时，偶尔会抛出 Timeout context manager should be used inside a task——这是典型的 aiohttp session 在一个 asyncio 事件循环里创建却被另一个复用的症状。Flask 的开发服务器每个请求起一个新线程；同步封装每次调用起一个新的事件循环。在两者之间缓存客户端，最终必然撞车。

一旦理解了问题，修复就便宜了：停止缓存，每次调用构建一个新的客户端，对任何看起来像是瞬时错误的东西重试一次：

def hs():
    from hindsight_client import Hindsight
    return Hindsight(base_url=os.environ["HINDSIGHT_BASE_URL"],
                      api_key=os.environ["HINDSIGHT_API_KEY"])

def call_with_retry(fn, attempts=2, delay=1.2):
    for i in range(attempts):
        try:
            return fn(), None
        except Exception as e:
            if i < attempts - 1 and _is_transient(e):
                time.sleep(delay); continue
            return None, e

我之所以发现这个，纯粹是因为我故意测试了并发请求。否则它只会在实际用户面前暴露，而我最不希望它在那里出现。

真正增长的记忆长什么样

让我确信这不只是"带额外步骤的检索"的部分，是那个闭环。记录一个失败的修复方案，同一台机器的下一个诊断就会改变——不是因为我又跑了一遍脚本，而是因为记忆本身增长了：

记录反馈之前：

"将润滑周期从每月一次延长到每季度一次失败了两次，一次是因为手动策略变更，一次是因为 CMMS 软件重置。"

记录"重新给轴承座加脂——没用"之后：

"重新给轴承座加脂已尝试过并导致失败，见日志 LIVE-001。停止所有重新加脂的尝试；直接更换驱动端轴承为 SKF 6309。"

同一台机器，同一个根本问题，一个真正不同的答案——因为几秒钟前一个技师的结果变成了一条记忆。我还给每台机器配了一个"数字孪生"——一个 Hindsight 心理模型，它的 source_query 让它把那台机器的完整历史综合成一份活的档案，加上 trigger={"refresh_after_consolidation": True} 这样它在新的事故进来时会自我更新，而不是我需要手动重新生成的一份总结。我还把几条常驻规则——接触旋转设备前要先上锁牌、不编造技师名字或日期——从我自己的 prompt 文本里移出来，放进了 Hindsight 指令里，这样它们就由记忆系统在每个请求上强制执行，而不是靠我控制的那个字符串里的约定。

如果有人明天要开始做这件事，我会告诉他

Grep 你自己的声明。如果你的文档说你用了某个操作，要验证代码路径真的调用了它。我没有，持续了好几周。

想清楚什么需要原样存活，然后把它放在不会被总结的地方。context 不是 content；要刻意区别对待。

在用户之前测试并发。我发现的最可怕的 bug 只在同时请求时才存在，而我只是通过故意制造同时请求才发现的。

一个系统的记忆应该在你不动代码的情况下变得越来越聪明。如果你的 Agent"学习"的唯一方式是编辑一个种子文件，那它就不是在学习——而是在重新创作。

检索和推理是不同的工作。Recall 用于"什么相关"。Reflect 用于"这意味着什么"。混淆它们是个容易踩的坑，而我第一口就掉进去了。

这一切都不需要更大的模型。它需要的是记忆系统真正在做我告诉所有人的它在做的那个工作。