考察点
这道题出自滴滴 Agent 方向产品实习面，是典型的项目深挖题。面试官想确认的不是你背过「短期记忆/长期记忆」两个名词，而是你真设计过一套记忆系统：记忆存在哪、怎么写入、怎么检索、怎么淘汰，以及最关键的产品判断——什么该记、什么不该记。出行场景还让这个问题多了一层现实感：家的地址、公司地址、出行规律都是高度敏感信息，记忆机制和隐私合规直接挂钩。追问会往「记忆记错了怎么纠正」「多轮对话里记忆怎么注入 prompt」「记忆和用户画像的边界」走。
参考答案
先想清楚记忆系统要解决什么产品问题
设计之前先对齐目的：记忆不是技术炫技，它解决两个具体的体验问题。一是重复劳动——用户每次打车都要重新说「去公司」「走高速」，记住偏好能让交互从五轮缩到两轮；二是连续性——上周聊过的行程问题，这周再打开不应该从零开始。反过来说，记忆的代价也明确：存和取都有成本，记错了比不记更糟（把用户送去旧地址），敏感信息存储有合规风险。带着这个成本意识，我的设计原则是「少记、慎记、可纠正」。
三层结构：会话内、用户级、任务级
我把 memory 拆成三层，各管各的。
会话内短期记忆就是上下文窗口本身：当前这轮对话的历史、已经确认过的信息（出发地、目的地、时间约束）。这层不用「存」，要解决的是别丢——多轮对话里用户中途改需求（「算了不去机场了，去高铁站」），系统要用最新指令覆盖旧信息而不是两个都留着让模型自己猜。实现上每轮对话结束做一次「已确认信息」的结构化快照，后续轮次注入的是快照而不是全部原文，省 token 也避免模型被早期轮次的废信息带偏。
用户级长期记忆管跨会话的偏好和事实：家的地址、公司地址、常用车型、发票抬头、「不喜欢拼车」这类偏好。这层是显式存储的结构化档案，写入策略要克制——我的规则是用户明确说过的才记，模型推测的只给建议不落库。用户说了一句「这次走高速吧」，这是一次性指令不是偏好；连续五次都走高速，系统可以问一句「以后默认走高速吗」，用户点头才写入。这层记忆必须对用户可见、可编辑、可删除，设置里有专门的「我的偏好」页面，这既是体验也是合规。
任务级记忆管进行中的事：一个未完成的多步骤任务（帮人规划完出差行程还要订车订酒店）挂起的上下文。这层最容易被忽略，没有它，长任务一中断就前功尽弃。实现上是一个任务栈，每个挂起任务带着进度状态和已收集的参数，用户回来时先恢复状态再继续。
记忆的检索和注入：宁缺毋滥
长期记忆不是每次都全量塞进 prompt——用户档案攒到几十条，全注入既贵又稀释注意力。我的做法是按需检索：根据当前意图召回相关条目（用户说去机场，就调出家到机场的历史路线偏好），一次注入三到五条封顶。每条记忆带置信度和时间戳，旧的、低频的优先级自动衰减——用户半年前住过酒店式公寓不代表现在还住那。
写入侧同样设闸：所有记忆写入走「提取-去重-冲突检测」三步。新记忆和旧记忆冲突时（用户报了一个新的公司地址），不直接覆盖，标记待确认，下次对话自然地带一句「是搬到新地址了吗」，确认后再更新。这个「冲突待确认」机制拦掉了记忆系统最大的一类事故。
隐私边界：有些事系统不该记住
出行数据的敏感性要求显式的「不记清单」：身份证、支付信息、单次行程的精确轨迹这些不进长期记忆；临时位置（「我现在在某某路口」）用完即焚，绝不沉淀。用户在意的「删除权」要真正做到删除而不是标记不可见。这部分我在需求文档里是作为红线写的，不是附加功能——记忆系统带来的体验提升是渐进的，但一次隐私事故的伤害是一票否决的。
怎么验证记忆机制做对了
看三个数。一是记忆命中率：注入的记忆被模型实际用于回答的比例，低于五成说明检索策略在乱召。二是重复信息率：用户被迫重复提供已存信息的会话占比，这是体验侧最直接的痛点指标。三是记忆纠错率：用户主动纠正记忆的频率，这个数高说明写入策略太激进，该往回收。
可能的追问
- 记忆记错了，用户没纠正，把事办错了怎么办？ 答：高代价动作（叫车、支付）执行前必须显性确认，记忆只影响默认值不直接下单；同时记忆条目全部带溯源（哪次对话写入的），出问题能定位是写入错了还是检索错了，两类错的修法完全不同。
- 长期记忆和用户画像是什么关系？ 答：画像是平台视角的统计标签，用于推荐和策略；记忆是用户视角的显式档案，用于对话和任务。我在设计里把两者物理隔离——记忆不进画像系统，画像也不直接注入对话，避免「平台偷偷给我贴标签」的观感问题。
- 记忆条数膨胀怎么淘汰？ 答：按使用频率和时效衰减打分，低频低分的进入冷冻区不再被检索，但保留在库里可恢复；敏感类目（地址类）设硬过期，超过一定时间未被使用自动标记待确认。