向量数据库在 Agent 长期记忆中的失效与修复

如果你正在构建一个需要长时间运行（数天或数周）的 AI Agent，很可能已经撞上了“上下文窗口墙”（Context Window Wall）。标准解决方案是把所有聊天历史转换成 embedding，然后统统塞进 Vector Database。

但扁平化向量检索存在一个致命缺陷：它不理解时间。

如果用户周一说“我住在纽约”，周五又说“我刚搬到伦敦”，Vector Database 会同时返回这两条事实。你的 Agent 会因此产生困惑并出现幻觉。

在传统系统工程中，我们会使用双日历模型解决这个问题。我们不再存储扁平文档，而是将状态提取为“主语—谓语—宾语”（Subject-Verb-Object，SVO）事件，并为它们标记 valid_from 和 valid_to。当出现相互矛盾的新事实时，只需为旧事实设置 valid_to 的结束边界。

为了获取当前有效的记忆，Agent 只需执行以下查询：WHERE valid_to IS NULL。

我们厌倦了反复编写这种复杂的事实取代逻辑，于是构建了 Smriti。它是一个完全开源、由 Postgres 支持的 AI Agent 时态记忆引擎。它会异步处理 SVO 提取与事实失效，因此绝不会阻塞 Agent 的推理循环。

欢迎查看代码仓库，并告诉我们你的想法！

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。

这里是一个供程序员分享知识、了解最新动态并推动职业发展的社区。