# 策略概述
#### 策略概述
记忆策略决定了"从短期记忆中提取什么信息、以什么形式存入长期记忆"。不同策略关注不同维度的信息，提取出的长期记忆内容也不同。
- 可以同时启用多种策略。例如同时启用"总结"和"用户偏好"，每次触发提取时两种策略各自独立运行，分别产生不同类型的长期记忆记录。
- 在创建记忆库和编辑长期记忆提取策略时，至少需选择或者保留一个内置策略或自定义策略。
- 创建后可以在详情页中新增或删除策略。
 
#### 选型指引
| 策略                      | 什么时候用                                                  |
|:---|:---|
| 总结 Summary              | 对话较长，需要压缩保留核心信息。例：客服会话摘要、会议纪要                         |
| 语义记忆 Semantic Memory    | 对话中出现关键事实和知识。例：用户提到的项目名称、技术栈                          |
| 用户偏好 User Preference   | 需要记住用户的喜好和习惯。例：用户喜欢中文回复、偏好简洁                          |
| 情景记忆 Episodic Memory    | 从完整经历中学习，不仅记录"发生了什么"，还沉淀教训与反思。例：上次解决某类问题的完整过程、当时的尝试与最终结论 |
| 程序性记忆 Procedural Memory | 需要固化操作流程、行动步骤和关键提示，形成可复用的任务执行指南。例：代码仓探索流程、运维操作执行纲要    |
   
#### 常见组合推荐
不同策略提取的记忆类型不同，实际使用中通常组合多种策略，让 Agent 从多个维度理解用户。以下按场景给出推荐组合及选择理由：
**客服场景**
| 项目   | 说明                                                                         |
|:---|:---|
| 推荐组合   | 总结 + 用户偏好                                                                 |
| 选择理由  | 总结策略压缩每次对话的要点，让Agent快速回溯"之前讨论了什么"；用户偏好策略记住用户的习惯和需求（如偏好联系方式、常用产品），让客服回复更个性化。 |
| 典型对话   | 用户先反馈了订单问题，几天后回来追问进度------Agent靠总结记忆知道上次讨论了什么，靠偏好记忆知道用户的沟通习惯。             |
| 注意事项 | 客服对话量大，总结策略能控制记忆体量，避免每轮对话都产生大量碎片化记忆。                                       |
   
**知识助手场景**
| 项目   | 说明                                                                               |
|:---|:---|
| 推荐组合  | 语义记忆 + 总结                                                                     |
| 选择理由 | 语义记忆提取对话中出现的事实知识（如"用户的项目用 Python 3.11"），构建持久知识库；总结策略概括每次咨询的主题，帮助Agent快速定位历史讨论。 |
| 典型对话   | 用户咨询技术方案，多次对话中涉及技术栈选型、架构设计------语义记忆记住每个具体事实，总结记忆记住每次讨论的主题。                    |
| 注意事项  | 知识型对话中事实信息密度高，语义记忆是最核心的策略。总结策略作为辅助，帮助Agent快速了解上下文。                            |
   
**个人助理场景**
| 项目     | 说明                                                                             |
|:---|:---|
| 推荐组合   | 用户偏好 + 情景记忆                                                                      |
| 选择理由     | 用户偏好策略记住用户的个人喜好（如饮食偏好、日程习惯）；情景记忆策略记住完整的交互经历（如"上次帮你订机票时遇到了什么问题、如何解决的"），让助理越用越懂用户。 |
| 典型对话   | 用户让助理帮忙规划旅行------偏好记忆知道用户喜欢靠窗座位，情景记忆知道上次订票时遇到的问题和解决方案。                          |
| 注意事项 | 情景记忆记录较长、Token消耗更高；成本敏感时可降级为总结策略，但会丢失完整过程回溯能力，需权衡。                             |
   
**编码与运维场景**
| 项目     | 说明                                                                                                               |
|:---|:---|
| 推荐组合   | 程序性记忆 + 语义记忆                                                                                                      |
| 选择理由   | 程序性记忆固化操作流程和执行步骤，让 Agent 面对相似任务时直接加载已有经验，避免重复推理；语义记忆提取对话中出现的事实知识（如工具名称、系统配置），构建持久知识库。两者配合，Agent既知道"怎么做"又知道"用什么做"。 |
| 典型对话    | Agent 首次探索代码仓后，程序性记忆固化探索流程，后续遇到相似任务直接复用；语义记忆记住项目使用的技术栈和关键配置。                                                    |
| 注意事项 | 程序性记忆按用户隔离，一个用户的成功流程不会自动共享给其他用户。程序性记忆支持增量更新，新信息可更新已有流程。                                                          |
   
**全覆盖场景**
| 项目    | 说明                                                                                 |
|:---|:---|
| 推荐组合  | 总结 + 语义记忆 + 用户偏好 + 情景记忆（四种全部启用）                                                   |
| 选择理由   | 四种策略各有侧重------总结概括对话、语义提取事实、偏好跟踪习惯、情景保留经历。全部启用可以最大限度覆盖记忆维度，适合对记忆精度要求极高的场景。        |
| 典型对话    | 长期个人助理、医疗问诊助手等需要同时记住"讨论了什么、知道了什么、用户喜欢什么、经历了什么"的场景。                                 |
| 注意事项 | 策略越多，长期记忆提取时调用的 LLM 次数越多（每个启用策略都会执行独立抽取），Token 消耗和费用越高。建议先用 2-3 种策略验证效果，确有需要再增加。 |