打造自进化的编码伙伴：Qoder 记忆系统落地实践

📌 一句话摘要

本文详细介绍了阿里云 Qoder 编码助手的记忆系统设计与实践，涵盖独立记忆系统架构、多阶段混合检索、记忆网络自进化及评估方法，为 AI Agent 记忆系统落地提供了工程参考。

📝 详细摘要

文章基于阿里云技术专家王世杰在 QCon 2026 北京站的演讲，系统阐述了 Qoder 记忆系统的完整实践。首先从记忆的价值切入，指出当前 Coding Agent 无状态导致知识遗忘、重复沟通、经验无法复用等核心问题。随后通过沟通偏好、项目信息、开发规范、踩坑记忆、经验记忆等具体案例，展示了记忆系统在产品层面的能力。技术实现部分，作者对比了类脑记忆、模型记忆和外挂记忆三条路线，并基于两个核心判断（独立 Agent 承接、自动维护）设计了独立的元记忆系统。详细介绍了记忆生成时机（对话中、任务完成后、用户指令）、提示词设计要点（模板、JSON Schema、精简原则）、存储方案（SQLite+Bleve+自定义记忆网络与主题树）、多阶段混合检索（意图识别→多路并发召回→重排→固定查询），以及记忆网络的多跳与进化机制。针对模型不遵循工具调用的挑战，提出了虚拟文件系统、Fetch 模式、第二大脑主动推送三种解决方案。评估方面，作者指出公开 benchmark 不可信，介绍了自建测评集、参与率等线上指标，以及大模型评估加人工校验的方法。最后展望了双轮闭环进化、专家团记忆分化、记忆共享等未来方向，并反思了在通用知识被模型吸收后，个人与公司的竞争力在于私有化记忆与提出好问题的能力。

💡 主要观点

- Coding Agent 无状态导致知识遗忘、重复沟通、经验无法复用，记忆系统是解决连续协作问题的关键。 每次会话重启知识归零，用户需反复说明背景与偏好，成功经验无法复现，记忆系统通过管理个性化信息实现状态持久化。

独立记忆系统优于主 Agent 管理文件的方式，具备更强生成、索引与自进化能力。 主 Agent 注意力在编码任务上，记忆提取能力弱；独立元记忆系统通过全局判断、多跳关联、反思评估实现动态进化。

多阶段混合检索（意图识别→多路并发召回→重排→固定查询）兼顾效率与准确性。 先理解用户意图，再并发执行全文检索、向量检索、记忆网络、主题树等多路召回，经重排后输出最相关记忆，固定查询确保关键偏好即时生效。

记忆网络通过相关性图谱与权重进化实现多跳关联，主题树模拟人类逐层探索的回忆过程。 记忆网络只做相关性关联，利用大模型理解能力，通过激活扩散与权重奖惩实现自进化；主题树从全量记忆逐层下探，裁掉不相关枝节，精准定位任务相关记忆。

记忆系统评估是当前最大瓶颈，需结合业务场景设计可比指标，而非依赖公开 benchmark。 公开 benchmark 不可信；自建测评集关注参与率、有效参与率等线上指标，并在相同场景下对比记忆生效与否的业务指标变化，才能客观衡量记忆系统效果。

💬 文章金句

- 记忆系统是在 Agent 跟外界交互的过程中，所有生成的个性化信息或知识，要能够被 Agent 管理和检索，我们才称之为记忆。

• 记忆系统核心的瓶颈可能不在于工程或技术链路的实现，而在于怎么评估它。没有进化方向，就进化不了，评估是目前最大的问题。
• 人的核心价值可能在于提出好问题，做出有价值判断的决策。
• 工程能做的事情就不要给大模型。
• 如果 Agent 学会了服务你，那你肯定希望在任何时间、任何场地都跟同一个 Agent 说话。这就需要在任何端都能跟同一个 Agent 对话，而实现这个的基础就是记忆同步。

📊 文章信息

AI 初评：89

来源：InfoQ 中文

作者：InfoQ 中文

分类：人工智能

语言：中文

阅读时间：43 分钟

字数：10557

标签： AI编程, AI Agent, 记忆系统, RAG, 提示工程

阅读完整文章