每個客戶的記憶體
對話如何成為關於客戶的持久事實 — 推導、去重、重要性，以及哪些內容會被召回。
從您的文件中取得答案。記憶是另一半：代理程式對這位特定客戶的了解，跨越會話、頻道和月份持續存在。
記憶是衍生出來的，而非記錄下來的
對話回合結束。此時尚未儲存任何內容——在此系統中，轉錄稿並非記憶的單位。
模型從客戶所說的話中提取標準化的條目——而非來自代理程式自己的回覆：包含事實（「擁有四輛車的車隊」）和主題，每個條目都帶有重要性評分，以便讓隨口一提的話與嚴格限制條件不會被同等權重看待。
該回合的條目被作為一個批次嵌入，而不是一次一個。由於嵌入端點的併發數為一，因此一系列單次呼叫會阻塞其他使用者的查詢嵌入在其後。
每個條目都會與現有內容進行比對——主題按名稱比對，事實則在閾值內按向量相似度比對。若無此步驟，同一個事實若在五個對話中被提及，就會變成五筆記憶，從而擠壓掉其他所有內容。
若找到匹配項，則更新現有資料列而非新增一筆：內容與嵌入向量會刷新，重要性會提升至兩者中較高者，並重新指向最近的會話，以便讓時效性追蹤活躍的關係。若無匹配項，則作為新條目儲存，加密並限定於該空間範圍內。
在下一個回合中，記憶會透過相似度進行召回，其閾值比文件使用的閾值更嚴格——因為與文件段落僅有輕微相關只是無用，而與某人的「事實」僅有輕微相關則是完全錯誤的。
在回合結束後執行。去重步驟是防止關係變長時召回品質下降的關鍵。
儲存整個轉錄稿並搜尋回傳是最直觀的做法，卻是個糟糕的做法。轉錄稿大部分是廢話，同一個事實會以二十種不同的措辭出現，且隨著關係變長，召回品質會下降——這完全背道而馳。
相反地，在回合結束後，平台會要求模型從客戶所說的話中提取標準化條目，分為兩類：
- 事實——關於客戶的持久性陳述。「擁有四輛車的車隊。」「續約在五月。」「偏好使用 WhatsApp。」
- 主題——關係中反覆出現的主題，每個主題都有主題名稱。
每個條目都帶有重要性評分，以便在空間有限時，讓隨口一提的話與嚴格限制條件不被視為同等重要。
僅限客戶的那一半對話
提取過程僅讀取客戶所說的話。代理程式自己的回覆不符合成為關於客戶的事實的資格，這比聽起來更重要。
如果代理程式猜測了一次——在回覆中提出一句關於該客戶公司可能生產什麼的猜測——否則該猜測會被提取為持久性事實，並在後續每個回合中作為前提條件讀取。從那時起，它就不再是猜測了；而是代理程式所知道的事實。客戶會看到後果，卻從未看到原因：答案始終圍繞著錯誤的業務，且螢幕上沒有任何內容解釋原因。
有兩道防線，因為第一道是請求，第二道是檢查。提取過程僅顯示客戶的那一半內容。然後，在寫入任何內容之前，軟體會驗證「事實」的措辭是否在客戶實際所說的話中有依據——這是一項在模型之外、針對每個條目和每個回合執行的檢查。
去重是整個遊戲的關鍵
客戶在五個對話中提及相同的事情。若無去重，您會累積五筆幾乎相同的記憶，它們會在召回時擠壓掉其他所有內容，導致代理程式開始重複自己。
在寫入條目之前，平台會尋找應將其合併的現有條目：
- 主題按主題名稱匹配——精確匹配，因為主題已經是標準化標籤。
- 事實按向量相似度匹配：同一類型中最近的現有記憶，僅當其餘弦距離在配置的閾值內時才被視為重複。
若找到匹配項，現有資料列會更新而非複製——內容與嵌入向量刷新，重要性提升至兩者中較高者，以便讓後來顯得更重要的事實得到提升，而非以不同權重儲存兩次。該條目也會重新指向觸發它的最近會話和訊息，以便讓其時效性反映活躍的關係。
批次嵌入
單一回合通常會產生多個條目。一次一個地嵌入它們意味著多次順序往返嵌入端點——而由於該端點的併發數為一，這一系列呼叫會阻塞其他使用者的查詢嵌入在其後。
因此，一個回合的條目會作為一個批次嵌入，並將向量傳遞至寫入路徑。在三個條目的回合上測量：順序執行為 117 毫秒，批次執行為 46 毫秒——在介於客戶與答案之間的路徑上，有 2.4 倍的差異。
召回
在回合開始時，會根據其自身的距離閾值，透過向量相似度為該客戶召回記憶——這比文件召回使用的閾值更嚴格，因為與文件段落僅有輕微相關只是無用，而與某人的「事實」僅有輕微相關則是完全錯誤的。
召回的記憶會與任何召回的文件區塊一起加入提示中。代理程式從您的文件中取得答案，並針對它已經認識的人進行回覆。
遺忘
上述所有內容都會累積。條目合併，重要性上升，沒有任何內容離開——這對記憶來說是正確的預設值，但對錯誤的記憶來說則是錯誤的。
錯誤的記憶從客戶的角度來看幾乎是隱形的。他們無法看到儲存庫，因此無法看到錯誤的事實在其中；他們看到的是代理程式不斷將某事視為理所當然。對話中唯一能識別錯誤條目的人是被誤記的人，而唯一能這樣做的方式就是說出來。
所以說出來是有效的。「我們不做那個。」「那不是我的公司。」「忘記你對 X 的了解。」代理程式會將這些話與儲存內容進行匹配，並刪除找到的條目，使用任何語言，無需任何人開啟設定頁面。
判斷一句話是否在否定某個記憶確實是一個語言問題——「我們不做那個」可以是更正，也可以只是關於業務的陳述——因此由模型來做出判斷。模型無法決定它能造成多少損害，這些限制在程式碼中：
- 每次請求最多刪除少數幾個條目，以便讓一次誤讀保持在可控範圍內。
- 僅刪除足夠接近以實際匹配的條目。 相似度搜尋總是返回其最近的結果，即使是在沒有任何相關內容的帳戶上也是如此；若無距離下限，在無關帳戶上說「忘記你對 X 的了解」會刪除恰好排名第一的任何內容。
- 刪除的內容會讀回給客戶。 靜默刪除與錯誤記憶一樣糟糕，而這次，唯一能告訴我們刪除是否正確的人已經在對話中。
刪除是永久性的——沒有存檔保存客戶要求被遺忘的內容的副本，這是對該請求唯一有意義的解讀。
範圍限定與加密
記憶限定於最終使用者的空間範圍，在資料庫層面強制執行，如同其他由租戶擁有的記錄，並按空間加密儲存。一個客戶的歷史記錄不會出現在另一個客戶的對話中，且僅從資料庫中無法讀取儲存的文字。
為什麼這很難在事後附加
按客戶劃分的記憶改變了資料模型的形狀：每個最終使用者的身份、用於限定範圍的空間、按該範圍加密的密鑰，以及回合循環中的衍生步驟。以單一共享助理為起點的系統往往最終會在某處擁有一個 CRM 欄位並稱之為記憶——這就是為什麼差異體現在對話中，而非功能列表中。
此做法的商業論證（而非機制）位於 按客戶劃分的記憶。