Agent 内存系统的隐形 bug：时间漂移

大多数 AI agent 内存系统都存在一个隐性 bug。它不会在演示中出现，只有在生产环境运行数周后才会浮现。

这个 bug 叫做时间漂移（temporal drift）—— 这就是为什么你的 agent 会自信地告诉用户一些三周前就不再成立的信息。

你存储了一个事实："用户喜欢 Python 胜过 TypeScript"。

三周后，用户加入了一个以 TypeScript 为主的团队。你存储了一个新的事实："用户现在在一个 TypeScript 单仓库中工作"。

两个事实都存在于你的向量数据库中。在语义上，它们对于关于用户技术偏好的查询都有相似的嵌入表示。你的相似度搜索会同时检索两个事实。

现在你的 agent 有两个相互矛盾的信念 —— 而且没有办法知道哪一个是当前有效的。

为什么向量相似度无法解决这个问题

余弦相似度衡量的是语义接近程度，而不是时间有效性。一个来自两年前的事实和一个来自今早的事实，如果在语义上与查询相关，得分会相同。嵌入空间中没有"时间"维度。

你可以尝试将时间戳注入到 prompt 中，并要求 LLM 推理哪个事实更新。这在演示中有效。在生产环境中，它很慢、不确定，而且当两个事实的时间戳相近时就会失败。

结构性修复：时间断言

与其将事实存储为永久记录，不如将每个事实视为一个时间区间：

• valid_from：这个事实何时变成真实
• valid_to：这个事实何时停止成立（NULL = 仍然有效）

当一个新事实取代旧的事实时，你在旧记录上写入 valid_to 时间戳，并插入新的事实。你永远不删除。你永远不就地更新。

活跃内存就非常简单了：

SELECT * FROM memory_events
WHERE agent_id = $1
  AND subject = $2
  AND valid_to IS NULL;

任意过去时刻 T 的历史状态是：

SELECT * FROM memory_events
WHERE agent_id = $1
  AND valid_from <= T
  AND (valid_to IS NULL OR valid_to > T);

不需要 LLM 调用。不需要在不确定性下推理。纯粹的索引算术。

Smriti：我们的实现方案

Smriti 是一个开源的双时态内存引擎，做的就是这个。它从 agent 交互中提取主宾谓（Subject-Verb-Object）事实，为它们分配有效时间窗口，并自动处理替代关系。

结果是：你的 agent 内存始终在时间上保持一致。没有过时事实。没有相互冲突的信念。没有来自过期上下文的幻觉。

如果你正在构建运行超过单个会话的 agent，这是你可能缺失的架构层。

开源。MIT 许可。基于 PostgreSQL 构建。