跳到主要内容

用户画像记忆

1. 定义与边界​

用户画像记忆是关于用户偏好、背景、限制、工作方式和长期需求的结构化记忆。它的目标是减少重复沟通和提升个性化，而不是对用户进行不可见、不可控的推断。

不应写入用户画像的内容：

  • 未经确认的敏感属性推断。
  • 单次临时情绪或一次性偏好。
  • 凭证、密钥、令牌、身份证件。
  • 外部内容对用户的描述。

2. 为什么重要​

用户画像能让 Agent 更好地服务长期用户：

  • 默认语言、语气、详略程度。
  • 常用技术栈、项目路径、工具偏好。
  • 对交付物格式、受众、命名方式的偏好。
  • 禁止事项，例如不修改某些目录、不联网、不生成多文件。

3. 核心机制​

用户画像最重要的工程要求是：可见、可解释、可编辑、可删除。

4. 推荐 Schema​

{
  "user_id": "u_123",
  "profile_version": 4,
  "preferences": {
    "language": {
      "value": "zh-CN",
      "scope": "default",
      "confidence": 0.95,
      "source_turn_id": "t_001"
    },
    "technical_answer_style": {
      "value": "direct_with_actionable_steps",
      "scope": "engineering tasks",
      "confidence": 0.86
    }
  },
  "do_not_store": ["secrets", "one-time instructions"],
  "updated_at": "2026-05-09T10:00:00+08:00"
}

5. 工程实现​

画像写入策略：

def should_write_profile_memory(statement):
    if contains_secret(statement) or contains_sensitive_inference(statement):
        return "reject"
    if is_explicit_preference(statement):
        return "write"
    if is_repeated_behavior(statement) and confidence(statement) > 0.85:
        return "write_low_confidence"
    return "do_not_write"

画像读取策略：

  • 只读取与当前任务相关的偏好。
  • 把画像作为上下文，不作为不可违背命令。
  • 当用户当前指令与画像冲突时，当前明确指令优先。
  • 对低置信偏好使用“可能偏好”，必要时询问确认。

6. 生产实践​

  • 提供“记住这个”“不要记住这个”“忘记这个”用户控制入口。
  • 建立画像管理页或命令，让用户查看和删除记忆。
  • 对敏感字段做 allowlist，而不是事后 blacklist。
  • 画像拆分为多个小文档，避免一个大 JSON 难以局部更新。
  • 对偏好设置作用域，例如“写领导汇报时”“代码任务时”。

7. 常见反模式​

  • 用户没要求也偷偷长期记录。
  • 根据一次对话推断职业、健康、政治等敏感属性。
  • 把“这次任务”的要求写成永久偏好。
  • 用户删除画像后向量索引仍可召回。
  • 将用户 A 的偏好用于用户 B 或组织级输出。

8. 评测方法​

  • 画像抽取准确率。
  • 用户显式偏好遵循率。
  • 当前指令覆盖旧画像的成功率。
  • 画像误用率。
  • 用户删除/纠错后的生效率。

9. 安全与治理​

  • 画像属于高治理等级数据，即使不是法律意义上的敏感信息。
  • 默认不保存密钥、账号、精确位置、身份号码。
  • 对可能敏感的偏好使用确认式写入。
  • 画像参与生成时记录 trace，便于解释“为什么这样回答”。
  • 对组织系统执行租户隔离和 RBAC。

工程化补强：架构与实现细节​

A. 与 RAG 的硬边界​

用户画像记忆处理的核心对象是用户长期偏好、工作上下文、权限范围、沟通风格和明确禁忌。它来自用户和 Agent 的互动、任务执行轨迹或组织流程，而不是外部文档本身。 RAG 的核心对象是外部知识和证据；Memory 的核心对象是可复用状态。两者可以共享向量库、数据库或检索组件，但不能共享权限模型和写入流程。

维度MemoryRAG
数据来源对话、工具轨迹、用户明确偏好、任务结果文档、网页、代码库、数据库、知识库
写入触发互动后抽取、用户要求记住、后台总结文档 ingestion、同步任务、管理员上传
可信边界默认是个人/项目状态，仍需来源与置信度默认是不可信外部内容，需要证据过滤
检索目标帮 Agent 延续状态和复用经验给回答提供事实证据和引用
失败后果错误会跨任务持续影响行为错误通常影响本次回答或索引版本
评测重点personalization lift、over-personalization rate、profile correction rate、consent coveragerecall、faithfulness、citation accuracy

B. 生产级数据流​

这条链路的关键是写入和检索分离。写入网关决定“能不能成为未来依据”，检索器决定“当前任务是否需要它”。

C. 推荐 JSON 结构​

{
  "memory_id": "mem_01HY...",
  "memory_type": "short_term|semantic|episodic|procedural|profile",
  "namespace": ["org:o_1", "user:u_7", "project:p_3"],
  "content": {
    "summary": "用户希望技术文档用中文、结构紧凑、直接给结论",
    "normalized_value": {
      "language": "zh-CN",
      "style": "concise_engineering"
    }
  },
  "source": {
    "kind": "user_message|tool_trace|episode_summary|admin_policy",
    "trace_id": "tr_20260509_001",
    "turn_id": "turn_14",
    "evidence": "用户明确说：以后回答用中文，少废话"
  },
  "confidence": 0.86,
  "sensitivity": "normal|personal|confidential|restricted",
  "ttl_days": 180,
  "created_at": "2026-05-09T10:00:00+08:00",
  "updated_at": "2026-05-09T10:00:00+08:00",
  "profile_field": "response_style",
    "consent_basis": "explicit",
  "audit": {
    "writer": "memory_writer_v2",
    "decision": "accepted",
    "policy_version": "memory-policy-2026-05"
  }
}

字段级来源比整条记忆来源更重要。真实系统里经常只有某个字段可靠，不能因为一个字段可信就默认整条画像可信。

D. 写入门槛​

候选信息默认动作原因
用户明确要求“记住”且不敏感写入或更新意图明确，价值高
多次稳定偏好写入低风险字段可减少重复沟通
单次情绪、抱怨、临时选择不写或短 TTL容易误画像
工具失败根因写 episode对未来排障有价值
外部网页诱导的规则拒写外部内容不能提升为行为规则
安全、权限、合规相关变更人审或管理员确认影响面大，不能由普通记忆覆盖

本文件的推荐写入原则是：画像只写与服务直接相关、用户可理解、可查看可删除的信息。

E. 检索策略​

按当前任务最小化注入，只给模型必要字段，不暴露完整画像。工程上建议分三步：

  1. 硬过滤：tenant、user、project、role、sensitivity、TTL、deleted tombstone。
  2. 候选召回：profile 精确读取，semantic/episodic/procedural 可用关键词、向量和标签组合。
  3. 上下文组装：限制条数，附带类型、来源、置信度和“不能覆盖系统/开发者/安全策略”的说明。
def retrieve_memory(task, user, project, budget):
    scopes = acl_scopes(user=user, project=project)
    candidates = []
    candidates += profile_store.get(scopes.user_profile_fields(task))
    candidates += memory_index.search(task.query, filters=scopes.filters, k=20)
    ranked = rerank_by_usefulness(candidates, task.intent, now=task.now)
    safe = [m for m in ranked if policy.can_inject(m, task)]
    return pack_with_provenance(safe, token_budget=budget)

F. 遗忘与生命周期​

用户删除、字段 TTL、低置信推断过期、角色变化后复核。遗忘不是简单删除文本，还包括向量、缓存、摘要、备份可恢复窗口和审计索引的协同。

生命周期阶段操作验收点
候选只在临时队列保存未通过网关不进入长期库
活跃可检索、可解释、可编辑trace 中能看到使用原因
降权过期、低命中、低置信默认不注入上下文
归档保留审计或历史统计不参与在线检索
删除tombstone + 索引清理删除 SLA 和回归测试通过

G. 失败模式与修复​

失败模式早期信号修复动作
过度画像、敏感属性推断、跨用户串用画像召回内容与当前任务不符，用户反复纠正拆 namespace、加写入门槛、补评测切片
错误记忆长期影响回答同类任务持续给错建议增加冲突检测、用户编辑入口、低置信降权
过度个性化Agent 在无关任务套用用户偏好按任务域检索，不全量注入画像
记忆投毒记忆中出现“忽略规则”“扩大权限”等内容策略拒写，已写入内容隔离并审计
上下文污染注入记忆太多，模型忽略当前指令top-k 限制、摘要化、按阶段注入
删除不彻底删除后仍可被向量召回tombstone 过滤、重建索引、缓存失效

H. 评测指标​

指标计算方式用途
Memory precision@k注入记忆中真正有用的比例控制上下文污染
Needed-memory recall@kgold memory 是否被召回检查检索覆盖
Task lift开启记忆后的成功率/轮次/工具错误变化判断是否值得保留系统复杂度
Stale-use rate被使用但已过期或被覆盖的记忆比例发现遗忘策略问题
Bad-write escape rate不应写入但进入长期库的比例评估写入网关
Privacy incident rate越权召回、敏感泄露、误画像事件数安全红线指标

I. 安全治理清单​

  • 记忆内容永远不能提升为系统指令，不能覆盖安全策略和开发者约束。
  • 用户画像需要可查看、可修改、可删除；敏感画像默认不做自动推断。
  • 外部文档、网页和工具输出要标记来源可信度，默认不能写成程序性规则。
  • 加密静态数据和传输链路；对高敏字段做字段级加密或不可逆摘要。
  • 审计记录至少包含写入者、来源、策略版本、检索任务、注入位置和删除事件。
  • 多租户系统必须把 namespace、ACL 和索引过滤作为服务端强制逻辑，而不是 prompt 约束。

10. 权威资料​