上周QCon 2026北京站的分享现场，阿里云技术专家王世杰讲了一个很戳开发者的日常场景：每次打开AI编码助手，它都像第一次见你，之前约定的技术栈、踩过的环境坑、定好的代码规范全忘了。绝大多数Coding Agent的无状态特性，正在把深度协作的隐性成本越堆越高。当开发者已经把一半编码工作交给AI时，这种每轮会话都要重新解释一遍背景的体验，显然到了必须被解决的临界点。

记忆系统架构图 ：展示Agent、元记忆系统等模块的记忆系统设计

三条技术路线里 外挂记忆是当前落地最优解

行业里探索编码Agent记忆系统的路线主要分三类，不同路径的落地门槛和成熟度差异极大。

• 类脑记忆：通过扫描生物神经元构建数字化脑体，长期潜力极大，但当前受算力和扫描精度限制，距离工程化落地还很远
• 模型记忆：把记忆直接嵌入模型参数，泛化效率高但训练成本高昂、记忆准确性难以保障，现阶段仅能做辅助优化方向
• 外挂记忆：基于独立存储和索引体系管理记忆，是当前业界落地的主流选择，适配编码场景的定制化空间最大

很多早期方案把记忆管理权限直接交给主编码Agent，看似轻量化，实则存在明显短板。主Agent的核心任务是完成编码需求，很难分出足够算力做全局的记忆筛选、整理和遗忘，数据量上去之后大量记忆会被闲置。

王世杰团队的核心判断很明确：记忆系统必须由独立的专属Agent承接，脱离主编码任务的上下文约束，才能实现跨会话的全局记忆生命周期管理。这套思路也成了Qoder记忆系统架构设计的核心出发点。

多阶段混合检索 解决记忆召回的最后一公里

把记忆存下来只是第一步，能不能在合适的时机把对的记忆推给编码Agent，才是决定系统体验的核心环节。Qoder团队设计了一套多阶段混合检索链路，从意图识别到多路召回再到分层重排，全程做了场景化适配。

记忆网络示意图 ：呈现语义激活、图谱激活的记忆网络流程

第一阶段先做全维度意图识别，不止匹配表层关键词，还要拆解出用户当前任务的主意图、次意图和隐藏意图，再启动六路并发召回。召回完成后不会直接把数据丢给大模型，而是根据场景优先级做分层重排：轻量场景用小模型快速过滤，高精度场景用大模型做相关性排序，最后用工程规则兜底剔除无效条目。

这套链路里有两个反常识的设计，解决了通用RAG系统在编码场景的痛点。

第一个是记忆网络架构，它不做复杂的业务三元组抽取，只维护记忆之间的相关性权重。语义激活之后逐层扩散，再通过图谱做多跳关联，比如用户提到代码重构时，能自动关联到测试规范相关的记忆，不需要两者有直接语义绑定。每次调用完成后系统还会根据记忆使用效果调整链路权重，实现检索链路的自进化。

主题树检索示意图 ：展示逐层聚焦的记忆检索-主题树结构

第二个是主题树检索机制，它的逻辑和人类回忆的路径高度相似：先从全量记忆里锁定几个大的领域方向，再逐层向下探索，逐步裁掉不相关的分支，最终定位到最精准的细节记忆。这套方案刚好补全了语义聚焦出错时，记忆网络无法扩散到正确结果的短板。

多阶段混合检索流程图 ：呈现意图识别到结果重排的检索链路

降低模型遵循率 用细节设计破解隐性卡点

很多做过RAG系统的团队都有过类似体验：记忆明明已经成功召回，但大模型就是不去用它，行业里把这个问题叫做模型遵循率低。这个看似不起眼的细节，实际是当前记忆系统落地的最大隐性卡点。

检索挑战解决方案图 ：展示三大记忆检索挑战的探索方向

王世杰团队没有死磕大模型微调，而是从产品交互的细节入手，用三个低成本方案把遵循率拉了上来。

1. 把记忆系统包装成虚拟文件系统，利用大模型经过大量训练优化的文件操作能力，降低工具调用的心理门槛
2. 把原本的Search Memory工具改名为Fetch模式，语义从模糊的“搜索”变成直接的“拿取”，大模型调用积极性明显提升
3. 用独立的第二大脑进程全程监控主Agent的任务上下文，预判需求主动推送相关记忆，完全不需要主模型主动发起调用

工程实现层面他们也踩过不少坑，最终沉淀出了非常实用的经验：能用工程逻辑处理的转换、映射工作，就不要丢给大模型处理，比如把长记忆ID在工程侧临时映射成1、2、3这类短索引，就能大幅降低幻觉率，同时还能省下不少token消耗。用JSON Schema约束输出格式之后，他们的输出解析成功率直接提升了20%。

自定义评估体系 找到记忆进化的正确方向

现在行业里通用的公开基准测试集，在编码场景几乎没有参考价值，拿通用指标去套编码记忆系统的表现，很容易得出完全偏离实际体验的结论。王世杰团队干脆自己搭建了一套面向真实编码场景的测评集，拿主流同类产品做横向对比，测出了很多之前被忽略的问题。

记忆效果评估数据图 ：呈现线上指标与业务影响的对比数据

他们没有用token消耗这类单一指标判断记忆系统好坏，而是定义了“记忆参与率”这个核心指标：只要一次会话中有至少一条记忆被有效调用，就算作一次有效参与。再把相同编码场景下的任务完成质量、重复操作次数等5项核心业务指标做关联对比，最终得出的评估结果和开发者的实际体验匹配度超过85%。

很多人以为记忆系统越用token越少，实际在编码场景里完全不是这样：好的记忆系统会帮AI补全遗漏的测试、边界处理逻辑，任务完成度上去之后，总token量反而可能增加。脱离场景谈效率，很容易走进优化的死胡同。

现在他们已经在探索双轮闭环的自进化模式：一轮优化记忆资产本身的质量，自动完成低价值记忆的降权、遗忘，高价值记忆的关联强化；另一轮优化记忆系统自身的生成、检索策略，连提取提示词本身都能根据用户的使用反馈自动迭代。

随着专家团模式的逐步落地，不同角色的子Agent还会形成差异化的记忆库：负责任务拆解的leader角色只需要记住任务分配逻辑，前端角色专注沉淀UI开发相关经验，不同维度的记忆互不干扰，整个团队的协作效率还能再上一个台阶。

更有意思的是，他们已经基于Anthropic定义的MCP协议，打通了和AnalyticDB for PostgreSQL长时记忆服务的对接通道，开发者可以通过标准协议自主扩展记忆源，不需要做复杂的二次开发。

通用知识早就成了大模型的基础能力，未来人和企业的核心竞争力，最终会沉淀在那些独有的、经过真实场景验证的经验记忆里。当一个团队里资深工程师踩过的坑、沉淀的最优实践，都能通过记忆系统同步给所有协作Agent，整个团队的能力基线会被拉到一个前所未有的高度。而开发者要做的，就只剩下提出好问题、做出关键决策这件最核心的事。

AICon深圳站宣传海报 ：含二维码的AICon深圳站会议推广海报

#Agent#