第 3 章 · 使用者記憶和知識庫

跨會話記住使用者、接入外部知識：使用者記憶、RAG、結構化索引、知識圖譜

← 返回主目錄 · 📖 讀本章正文

配套專案

編號	專案	型別	一句話說明
3-1, 3-2	user-memory	✅	長期使用者記憶系統，讓 Agent 記住偏好與歷史互動、提供個性化服務
3-1	user-memory-evaluation	✅	系統化評估使用者記憶系統的準確性、相關性和有效性
3-2	mem0 · memobase	✅	用 mem0、Memobase 兩個開源框架各實現一版使用者記憶，作為實驗 3-2 的對照實現
3-3	log-sanitization	✅	智慧日誌脫敏系統，基於本地 Ollama 模型檢測並脫敏日誌中的金鑰和 PII 敏感資料
3-4	dense-embedding	✅	向量相似性搜尋服務，對比 ANNOY（樹）與 HNSW（圖）兩種 ANN 演算法的權衡
3-5	sparse-embedding	✅	從零實現基於 BM25 的稀疏向量搜尋引擎，視覺化內部工作機制
3-6	retrieval-pipeline	✅	稠密 + 稀疏 + 神經重排序的完整流水線，用測試用例展示混合檢索的互補效果
3-7	multimodal-agent	✅	對比原生多模態、提取為文字、工具化分析三種策略在保真度/成本/靈活性上的權衡
3-8	structured-index	✅	實現並對比 RAPTOR（遞迴抽象樹）與 GraphRAG（知識圖譜）兩種結構化索引
3-9	agentic-rag	✅	對比 Non-Agentic 與 Agentic RAG，展示 ReAct 主導的迭代檢索在司法問答上的優勢
3-10	agentic-rag-for-user-memory	✅	用 Agentic RAG 管理使用者對話歷史，實現跨會話記憶檢索
3-11	contextual-retrieval	✅	實現 Anthropic 的上下文感知檢索，為分塊生成前綴摘要，失敗率降低 49–67%
3-12	contextual-retrieval-for-user-memory	✅	結合 Advanced JSON Cards 與上下文感知 RAG，形成雙層記憶結構實現主動服務
3-13	structured-knowledge-extraction	✅	以司法判例跑通「因子發現 → 聚類原型 → 對話式建議」三段流水線

專案型別說明

圖示	型別	含義
✅	可獨立執行	本倉庫自帶完整程式碼，配置好 API Key 即可執行
📖	復現指南	依賴需自行 git clone 的外部倉庫（訓練框架、評測基準等）
🚧	設計文件	僅包含架構與實現方案，可執行程式碼仍在完善中