分层记忆用户画像精修
产品介绍
用户画像记忆引擎（User Profile Memory Engine） 面向对话式 AI 的、可审计的长期人物画像方案 —— 深度说明 本文档是 skill qq-user-profile 的商业级说明，既可作为技术白皮书摘要，也可直接用于 方案提案、产品页面、技术选型对比或交付文档。文中所有机制与参数均来自已上线运行的真实系统， 不是设计草案；引用的数字可在代码与测试中逐条复核。 一、一句话定位 让对话机器人真正"记住一个人"——不是把聊天记录越堆越高，而是把散落在成千上万条消息里的 信号，收敛成一份带证据强度、会随时间衰减、过时信息自动退休、全程可追溯的人物档案。 二、摘要 绝大多数对话 Agent 的"用户画像"停在两个极端：要么是一次性摘要（把最近几轮聊完就丢）， 要么是无界追加的原始记忆（越记越乱、越记越贵、自相矛盾）。两者共同的失败点是： 没有事实生命周期——旧信息不会失效，重复信息不会被加权，矛盾信息不会被裁决。 本方案实现的是一套证据驱动的画像生命周期管理： 维度 做法 写入时机 周期性整合（阈值触发），不是每条消息抽事实 → token 成本与消息量线性可控 特征 打分制：命中累加、按周衰减、按分淘汰、同义归并（不再出现"话少/潜水/话少"） 事实 证据计数：同一件事被反复提到则权重上升，而非堆出近义重复条目 矛盾 退休而非删除：写失效时间戳，存档可追溯，但不再影响模型判断 身份 歧义保护：同名多人匹配时宁可不写，也不把 A 的事记到 B 头上 多模态 图片经视觉模型理解后，把"从图里得到的信息"按价值分级写入（长期/短期/不记） 审计 每条信息带来源标签（群 / 私聊 / 归档），控制台可视化，永不展示给模型 三、要解决的问题：为什么大多数"用户画像"是坏的 摘要漂移：每次重写摘要都会丢掉上一版的细节，几轮之后画像退化成一句正确的废话。 无界膨胀：把每条自述都存成一条"事实"，几百条之后既检索不准，也把上下文预算吃光。 自相矛盾："他在准备考研"和"他已经读研了"同时存在，模型只能随机挑一条。 近义重复：同一个特征被反复记录成不同措辞（话少 / 潜水 / 沉默），占满配额挤掉新信息。 一次性写入无法回退：一次误判永久污染档案（例如把群友的玩笑固化成性格标签）。 来源混淆：把"别人说某人如何"当成"某人自述"，把私聊内容泄露到群聊语境。 本方案的每一条机制，都对应解决上面一条具体失败模式。 四、能力清单 分层记忆：工作记忆（当前上下文）→ 短期原文（TTL 3 小时）→ 中期摘要 → 长期事实 → 人物画像 周期性整合：群聊每 25 条、私聊每 5 条触发一次模型整合（私聊阈值更低，因为私聊信息密度更高） 画像自动生成：说话风格、整体印象、性格/行为特征、常聊话题、稳定要点，五项一次产出 特征评分与衰减：置信度随时间回落，长期未被证实的特征自然淘汰 事实证据计数与退休：可回答"他以前是做什么的"，同时不让过时信息干扰当下判断 多模态信息入库：看图识人（穿搭、作品、身份线索、常用表情），由模型判定记忆价值后分级写入 身份消解：QQ 号优先、昵称兜底、歧义即跳过 可观测：控制台「记忆」页逐条展示画像全貌（含原话、时间线、来源标签）；API 可编程读取 隐私边界：画像跨上下文共享（群 + 私聊共同优化同一个人），但存储严格分离、来源不外泄 运维配套：连接健康体检、断连旁路告警（桌面通知 / 二维码页 / Webhook）、私聊归档 7 天 五、机制深潜（每条都写明业界同源与本实现的取舍） 5.1 特征打分：从"标签列表"到"置信度账本" 问题：字符串数组式标签无法表达"这个特征有多可信"，且淘汰按插入顺序，新噪声会挤掉重要特征。 机制：{text, score, hits, at}；命中一次 score += 1 并刷新时间；读/写时按 score × 0.9^(周数) 懒衰减；淘汰按分数；上限 12。 同源：PersonaTree（arXiv 2606.04780）的置信度累加与衰减；Log-odds 更新思想的工程简化。 取舍：不引入 log-odds/σ 变换（收益边际），用线性累加 + 指数衰减取得同等效果且可解释、可手算。 5.2 近义归并：字符串匹配的边界与它的确定性替身 问题：话少 与 潜水 语义相同但互不包含，纯字符串匹配必然漏合并——这正是真实档案里出现的重复。 机制：两级判定 ——（a）归一化后完全相同或互相包含；（b）只收录真实档案里见过的同义词表 （话少/潜水/沉默 → 同一特征）。宁缺毋滥。 同源：PersonaTree 的"证据验证器"（support / conflict / unrelated 三分类）；Graphiti 的三层去重。 取舍：不引入向量近邻 + 验证器（需额外模型调用与调参），用受控词表换取确定性、零成本、可审计； 词表来源于实际数据而非猜测，避免"乱合并比不合并更糟"。 5.3 事实证据计数：把重复变成权重 问题：同一件事被提十次，会产生十条近义事实，占用配额且没有强弱之分。 机制：写入前判重（相同 / 包含），命中则 hits += 1、刷新 lastAt；不新增条目。 工程教训：任何"完全相同就跳过"的守卫都会让 hits 永远停在 1——本项目真实踩过并回归测试覆盖。 5.4 退休而非删除：事实的真值时间轴 问题：用户换工作、搬家、改口之后，旧事实与新事实并存，模型随机选一条。 机制：整合提示词输出 retract（旧事实原话）；程序写 supersededAt → 存档保留、可追溯、可回答历史问题，但不再注入提示词。 同源：Zep / Graphiti 的 valid_at / invalid_at / expired_at 与 resolve_edge_contradictions()（冲突时只写失效时间，旧边保留）。 明确的反例：mem0 v3 主动删除写时矛盾调解，退化为"只新增 + 读时按 recency 猜"， 官方承认没有任何产物记录两条冲突事实里哪条赢了。本方案不采用该路线。 5.5 分层与注入：什么常驻、什么按需 常驻（进系统提示词）：风格、印象、特征、常聊 + 按（证据次数, 新鲜度）排序的前 6 条未退休事实 按需（作为再整合素材，不直接进提示词）：原话（48 小时）、短期原文（3 小时） 同源：Letta memory blocks（常驻块 vs archival）与"上限本身即去重压力"的实践； LangMem 关于"召回 = 相似度 + 重要性 + 强度"的取舍。 取舍：当前规模（每人几十条事实）下不引入向量检索与混合重排，避免为小数据付出大复杂度。 5.6 多模态入库：图看完了，值不值得记？ 机制：模型在回复末尾输出 [IMG_MEMO:person|long|short|skip]，程序按层级落库 （画像 / 群长期 / 短期 / 不记），标记永不外泄；出口还有一道兜底清理。 判据：关于人的稳定信息（长相、穿搭、喜好、作品、身份线索）→ 画像；一次性表情包、随手截图 → 不记。 鲁棒性：真实模型会写"不闭合标签"或"整篇只有标记"，解析器与出口双保险（均为实测回归项）。 六、数据模型与生命周期 代码块 data/memory/people/<QQ>.json 画像本体（一人一档） names / firstSeen / lastSeen / messageCount 身份与时间线 style / impression 整体覆盖式更新 traits / topics 字符串视图（对外契约） tagScores.{traits,topics}[] {text,score,hits,at} 打分真相 facts[] {at,text,source,hits,lastAt,supersededAt} 事实生命周期 quotes[] {at,text} 原话（48 小时） 生命周期：消息 → 短期原文（3h）→（阈值触发）模型整合 → 中期摘要 + 长期事实 + 画像更新 → 特征评分/事实证据累加 → 矛盾时退休旧事实 → 注入提示词时按强度择优。 配额（防止任何单一用户吞噬预算）：人物要点 40 条、特征 12 + 12、原话 48 小时、 短期原文 180 分钟、中期摘要 60、群长期事实 200。 七、成本与规模特性 不是"每条消息抽事实"：整合按阈值批量触发，模型调用次数与消息量成比例但低频 （群 1/25、私聊 1/5），而不是每条一次。 零成本路径：图片引用随手记（不下载），需要时才按需取图；私聊归档只写不读，不占 token。 衰减与上限共同约束规模：档案体积有上界，长期运行不会线性膨胀。 降级安全：整合模型返回非法 JSON 时退化为"只存摘要、不写长期事实"，绝不把噪声固化成事实。 八、隐私、合规与可审计性（设计属性，非认证声明） 数据最小化：只保留对"如何与这个人交流"有用的信息；一次性内容不入档。 保留期可配：原话 48 小时、短期 3 小时、私聊归档 7 天、要点与特征长期（可调）。 上下文隔离：群聊存储与私聊存储严格分离；画像为"共享产物"，但来源不外泄， 模型永远看不到"这条是私聊学来的"。 可追溯：每条事实带来源标签与时间，控制台可逐条查看、可人工核对。 可纠正：过时信息退休而非删除（保留审计轨迹），误判可通过退休机制快速止损。 不外泄：内部标记（记忆判据、检索标记）有出口兜底清理，不会进入用户可见文本。 九、质量保证与验证证据 类别 证据 画像专项 portrait-test 43 项（含近义合并、命中加分、排序、证据计数、退休不删除、退休不注入、旧格式迁移） 记忆与隔离 memory-test 60 项、memory-isolation-test 29 项、memo-test 23 项 端到端与运维 console-test 53 项、privatelog-test 24 项、notify-test 26 项、napcat-test 20 项 全套回归 33 个测试套件、1000+ 项断言，含真实模型端到端检查脚本 真实故障回归 "守卫吞证据"、"图片标记外泄"、"来源标错"、"私聊漏记"、"整理静默丢弃"等均已固化为断言 验证方式的可信度：绝大多数断言是行为断言（检查档案内容变化）， 而非"函数被调用"式的弱断言；关键机制配有负向用例（不该记的不能记、不该注入的不能注入）。 十、集成与运维接口 配置：全部行为由环境变量控制（阈值、配额、保留期、开关），无需改代码即可调优。 观测： 控制台「记忆」页 —— 人物档案与画像全貌（要点/原话/时间线/来源标签） GET /api/memory、GET /api/private —— 可编程读取，便于接入自有分析 日志关键词 —— 记忆整理、人物要点退休、图片记忆 → 运维告警：连接健康体检（区分"等扫码登录 / 登录报错 / 未启动"）+ 断连旁路通知 （桌面通知、自动打开带二维码页面、Webhook 推手机），并遵守"抖动不报、重复有节流、恢复也通知"。 十一、已知边界与路线图 当前边界（有意为之） 不做向量检索与混合重排：在"每人几十条事实"的规模下，复杂度收益比不划算。 不做完整的三级推理树（证据 → 模式 → 稳定断言）：在证据量不足时会过度设计。 近义归并依赖受控词表：新词表需人工扩充（以真实数据为依据）。 演进方向（按收益排序） 事实的语义近邻 + 验证器（仅对候选新增做一次轻量判定），承接 5.2 的边界。 画像的冲突可视化：控制台直接标出"互斥事实对"，支持人工裁决。 跨会话的长期趋势（画像时间序列）：观察一个人半年内的兴趣迁移。 特征词表的自动候选挖掘（从被合并记录里提出建议，人工确认后入库）。 十二、商业化形态 形态 说明 Skill / 知识资产 本 skill 即为可交付的工程知识包：机制、参数、失败模式、测试清单齐备，可直接进入团队知识库或对外授权 私有化部署组件 作为一个"画像记忆引擎"嵌入既有对话系统：输入消息流与用户 ID，输出可注入提示词的画像简报 白盒交付 / 咨询 机制与参数全部可解释、可手算，适合需要"能讲清楚为什么这么记"的合规场景（金融、医疗、政务客服） 评测基准 六类失败模式与对应断言，可直接作为"记忆系统评测集"的种子用例 迁移到其他场景的最小改动清单：替换身份解析规则（QQ → 你的用户主键）、 调整整合阈值与配额、替换同义词表、接入你的事件源。机制层与存储层无需改动。 十三、术语表 术语 含义 整合（Consolidation） 用模型把一批原始消息压缩为摘要 + 事实 + 画像更新的批处理步骤 特征评分（Tag Score） 特征的置信度账本：命中累加、按周衰减 证据计数（Evidence Count） 同一事实被证实的次数，用于排序与去重 退休（Supersede） 事实失效但不删除：写失效时间戳，退出提示词注入，保留审计轨迹 常驻层 / 按需层 总是进上下文的信息 vs 仅在需要时检索的信息 来源标签（Source） 该信息学自群聊 / 私聊 / 归档，仅供审计，不暴露给模型 十四、参考与出处 PersonaTree — 置信度累加、保守写入、观察→模式→断言分层：https://arxiv.org/abs/2606.04780 Zep / Graphiti — 时序知识图、invalid_at 与矛盾裁决：https://github.com/getzep/graphiti/blob/main/graphiti_core/edges.py Letta / MemGPT — 常驻记忆块与可检索层、上限即去重压力：https://docs.letta.com/v1-sdk/memory/memory-blocks LangMem — 记忆分层与"召回 = 相似度 + 重要性 + 强度"：https://langchain-ai.github.io/langmem/concepts/conceptual_guide/ Mem0 — 写时决策（ADD/UPDATE/DELETE/NOOP）与候选近邻检索：https://arxiv.org/abs/2504.19413 反例记录：Mem0 v3 移除写时调解的官方迁移说明：https://docs.mem0.ai/migration/platform-v2-to-v3
资源信息
许可证信息摘自官方源，可能过时或缺失。商用前请以原仓库的 LICENSE 文件为准。
信息边界说明
本页信息摘自官方文档，仅作技术信息呈现，不代表本站的判断或推荐。价格、配额、可用性以官方最新说明为准。你离开本站后的任何行为（申请 Key、付费、部署、商用），本站不做任何承诺与担保。
同类推荐
罗斯蒙德合同合规审查
官方未说明【罗斯蒙德合同合规审查】南京罗斯蒙德基于已交付项目沉淀的合同合规审查 Skill，为法务与业务侧提供风险初筛，聚焦智能写作、文档交付、AIGC 与定制开发类背靠背合同。流程：提取合同文本（PDF/Word/扫描件）→ 解析主体、标的、价款、履约、违约等要素 → 多版本条款语义比对与差异定位 → 按 13 类通用维度（用章、审批、必备条款、前后一致性、行业资质、违约责任与上限、知识产权、主体授权、价款税务、争议解决、履约验收、跨境、招标采购）逐项核查 → 叠加背靠背传导、AIGC 权属与标识、源文件与提示词交付、数据合规与第三方大模型调用、验收客观化、驻场 SLA 等专项规则。风险按高/中/低分级，一律用「所属章节」定位，给出依据与修改建议；一键生成 HTML 报告，同源产出 Markdown 与 JSON 三件套，交付前经自检脚本门禁校验。仅初筛，不替代法务终审。 Trigger on: 合同审查/合同审批/合同比对/差异对比/用章检查/招标文件评分/单一来源采购/背靠背合同/AIGC 合同/起草诉状/contract compliance review/clause comparison.
露禾论文写作助手（免费版pro）
免费增值露禾论文写作助手（免费版）：一句话生成引用可溯源、不编造的专业学术论文，按国标 GB/T 7714 插入真实文献引用，中英文 3000/5000/8000 字，一键导出 Word。说「写论文 / 帮我写论文」即可使用。
包拯.SKILL
需申请 Key包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先，不可用时AI知识库降级兜底，**法条来源按四档标注可核验（已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成），交付末尾附法条/事实/金额/程序分项置信度**；以22类法律领域覆盖矩阵约束路由边界；支持35个起诉状模板、5类刑事专项材料辅助；内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理（含连续失败熔断）；渐进式意图收敛协议（3轮状态机）；混合意图自动任务拆解（按依赖排序→合并→顺序执行）；含反模式清单与危机干预出口（自杀/家暴/未成年人侵害先于一切法律分析）。非标准案由自动使用通用模板。
律师助手
官方标注收费律师AI办案工作台：从接案到结案全流程提效——案件分析、要件梳理、文书初稿、证据质证、法庭攻防演练、赔偿与费用计算、期限提醒、复盘归档；覆盖民事、刑事、劳动、非诉、破产、执行、行政、仲裁八大领域，111 个专家技能；法条可核验、结论可复核。
AdMapix广告投放工具
官方标注免费需申请 KeyAdMapix广告原始数据层,广告创意/应用/排名/下载收入
标书写作专家【百炼标书】
官方标注收费需申请 Key百炼®标书是一个面向投标场景标书写作的skill，可以帮用户完成四件事：解读招标文件、生成投标文件、审查投标文件合规风险以及标书查重。它适合用自然语言直接写作，用户只要提供文件和需求，就能拿到解读结果、成品标书、审查报告、查重报告。百炼®标书官网:https://biaoshu.zhiliaobiaoxun.com
什么是技能
技能（Skill）是封装好的单项能力，比如文字识别、文档摘要、关键词提取。开发者把调用逻辑和提示词打包，使用者像用插件一样加载即可，无需了解底层模型。启枢技能 收录大量技能，可直接试跑或编入方案。