货拉拉对话式 Agent 的四层渐进式记忆与自进化实践

议题提交

记忆即智能：
货拉拉对话式 Agent 的四层渐进式记忆与自进化实践

2026.12.04 · 深圳湾万丽酒店

演讲嘉宾：郑绮欣 · 货拉拉资深算法工程师

时长 60分钟

所属论坛：智能体工程与可观测性

郑绮欣

货拉拉资深算法工程师

内容简介：

对话式 AI Agent 正面临一个"章鱼式困境"：单轮对话再聪明，跨会话、跨渠道便一切从零开始——昨天拒绝过的用户今天被反复打扰，A 渠道建立的信任在 B 渠道荡然无存。本次分享将结合货拉拉业务实战，系统介绍一套四层渐进式记忆与自进化架构：从 L0 数据底座、L1 感知层、L2 决策层到 L3 画像层，将原始对话流逐层提炼为可被模型直接消费的结构化认知，并通过跨渠道打通与效果闭环，实现"画像千人千面、策略自动汰劣留良"的认知飞轮。线上实验以单轮延迟增加 0.2s 的代价，换来转化率 +1.7pp、流失率 -1.6pp、平均对话轮次减少 34%、画像覆盖从 0 到 75%，验证了记忆系统作为 Agent 认知基座的业务价值。

演讲提纲：
1. 为什么需要记忆：打破传统对话系统认知瓶颈
结合货拉拉长链路、多触点、跨时段的业务特性，点明核心业务痛点：用户转化周期长、会话多次中断、交互渠道分散。
传统对话系统存在严重的“失忆问题”，每次交互从零开始，依靠扁平标签传递状态，存在信息无法回溯、用户无差异化、无法自我迭代等核心缺陷，最终得出核心结论：记忆是高阶对话智能的核心基础。
2. 如何构建记忆：四层渐进式记忆核心架构
对标金牌销售的人性化认知逻辑，摒弃简单标签存储，搭建分层递进式记忆架构，形成完整的用户信息认知加工链路，重点明确各层级核心职责与递进关系：
2.1 L0数据底座：完整留存原始交互数据，实现场景全还原
2.2 L1感知层：毫秒级捕捉用户意图、情绪等实时交互信号
2.3 L2决策层：核心调度中枢，依托规则策略实现智能应答决策
2.4 L3画像层：实时结合离线、在线数据，沉淀用户核心特征
3. 如何落地应用：会话衔接与智能自进化机制
聚焦两大核心工程落地能力，解决实际业务问题：
3.1 全触点会话贯通：在合规授权前提下，打通多交互渠道，实现跨场景用户识别与对话无缝衔接
3.2 认知飞轮自进化：精准调用记忆资源、控制算力损耗，同时依托真实业务数据反向优化画像与策略，形成可持续迭代的智能闭环
4. 落地成果与价值：实验效果与场景复用
分享四周线上灰度实验核心效果：以极低的延迟损耗，实现转化、留存、对话效率、用户个性化、策略落地效果全方位显著提升。
复盘项目核心工程取舍经验，同时论证分层记忆+认知飞轮架构的通用性，可广泛复用至用户全生命周期运营及各类长期对话式AI Agent场景，阐述记忆系统作为AI认知基础设施的核心价值与发展前景。

听众收益：
1. 一套可复用的 Agent 记忆架构方法论理解为什么"扁平标签"会在复杂长链路场景中失效，掌握"数据底座 → 感知 → 决策 → 画像"四层渐进式记忆的设计思路与分层职责划分，可直接迁移到自己的对话/营销/客服类 Agent 项目中，避免重走"只会传状态、不会做认知"的弯路。
2. 从 0 到 1 落地记忆系统的工程实战经验收获跨渠道身份打通、画像实时/离线混合更新、毫秒级感知加工、策略效果闭环自进化等关键环节的具体实现方案；了解如何设计实验指标体系（转化、流失、轮次、延迟、画像覆盖、策略淘汰率），以及在"延迟增加 0.2s vs 效果大幅提升"之间做工程权衡的真实经验。
3. 一种重新理解 AI Agent 的认知视角跳出"调提示词、换模型、堆知识库"的常规优化路径，建立"记忆即智能"的认知框架——理解 AI 下一个突破点不在更准的识别，而在更深的跨时序理解与自进化能力，为后续在用户全生命周期运营、多模态长期陪伴等场景中构建""越用越懂人""的 Agent 提供思路启发。。

拥有丰富的NLP算法与大模型跨场景业务落地经验，专注于通过AI Agent技术提升业务效率。擅长将大模型与客服、私域、判责、舆情等场景融合，推动 AI 在实际业务中可控、可用、可落地。