在多智能体开发中，传统RAG处理长期记忆常因用户意图漂移导致Agent幻觉或死循环。引入记忆文件系统架构，通过原子事实提取和覆盖更新机制，有效解决上下文矛盾，显著提升系统稳定性。
智能速览
传统RAG在长期记忆场景下易导致Agent产生幻觉或死循环。
用户意图随时间变化，单纯追加历史对话会引发上下文冲突。
采用记忆文件系统架构，摒弃单纯的向量匹配模式。
后台利用小模型提取原子事实并进行Topic归类。
引入更新覆盖机制，用新偏好强制覆盖旧偏好。
精华内容
传统RAG在长期记忆管理中存在明显缺陷，引入记忆文件系统或能有效解决上下文矛盾难题。
传统RAG的局限
用户意图并非一成不变，昨天的偏好今天可能完全相反。如果采用传统RAG，直接将历史对话追加到向量库，检索时会同时召回互相矛盾的上下文信息。这会让大模型接收到混乱的指令，导致Agent出现精神分裂式的幻觉，甚至陷入工具调用的无限重试死循环，严重影响系统稳定性。
记忆文件系统
参考memU等架构，抛弃单纯依赖向量匹配的做法，转而构建“记忆文件系统”。在后台部署小模型，专门负责从对话历史中提取“原子事实”，并按照不同的Topic进行归类存储。这种结构化的处理方式，为后续的记忆管理打下了坚实基础，使得信息检索更加精准。
冲突消解机制
引入Update或覆盖机制是核心所在，当新记忆产生时，系统先进行冲突检测与消解。对于存在矛盾的信息，强制用新偏好覆盖旧偏好，而不是盲目追加。这种方案虽然使得工程链路变长，且冲突消解步骤的Latency较难压低，但大幅降低了Token消耗，并有效规避了死循环风险。
面对Agent状态管理的复杂性，通过记忆文件系统替代传统RAG是一种有效的工程尝试。虽然链路复杂度有所增加，但换来了系统的稳定与可控。如何在保证效果的前提下进一步降低延迟，以及监控复杂链路的异常指标，仍是值得深入探索的方向。
