三个月构建企业级AI记忆：踩坑实录

【节目简介】
上期我们聊了林俊阳的"从Reasoning到Agentic Thinking"，他说记忆层是Agent时代最重要的架构组件。
这期我们看一个真实案例——Momo团队三个月试了三种方法构建企业级AI记忆，全是血泪教训。
自下而上索引走红后翻车，自上而下提取不准确，最终从客户数据切入找到方向。
核心问题至今未解：
如何从非结构化数据中提取结构化记忆？
【时间线】
00:00 开场 · 关联上期林俊阳"记忆层最重要"
01:30 为什么AI记忆这么重要 · context window不是真正的记忆
03:00 方法一：自下而上输入索引 · 索引所有应用输入
05:00 走红→翻车：用户引导太重+见树不见林
06:30 知识图谱是过度设计？放弃回归pgvector
08:30 方法二：自上而下提取 · 先推断项目再填充细节
10:30 产品问题：设置耗时+token成本+用户问"然后呢"
12:00 技术问题：提取不准确 · Claude Code同样踩坑
14:00 方法三：从PostHog客户数据入手
15:30 自动客户画像+流失分析 · 先让用户看到价值
17:00 核心教训：非结构化→结构化的根本难题
19:00 单一SaaS记忆方案永远行不通 · 需要持续构建+人为反馈
20:30 Agent团队需要持久共享可查询的记忆
========================================
【核心观点】
· context window是短期记忆，真正的记忆是跨会话、持久、可查询的
· 自下而上能索引信号但无法重建团队思维模式——高层思维从未被明确记录
· 知识图谱在多跳查询场景下可能是过度设计，pgvector更实用
· 从非结构化数据提取结构化记忆是根本难题——所有方法都卡在这里
· Claude Code的CLAUDE.md就是不断压缩的md文件，说明记忆问题远未解决
· 先从垂直场景切入让用户看到价值，再扩展——通用记忆太难做
· Agent的瓶颈不是模型能力，而是记忆和环境
========================================
【关于一支烟花】
一支烟花是一个关注AI前沿动态的创作者社区
公众号：一支烟花AI
欢迎加入社群交流