146、圖數(shù)據(jù)庫與Agent記憶調(diào)試這個問題，我從凌晨三點半開始。Agent明明記住了用戶說過“最近在準備雅思”，但到了第五輪對話，它突然問用戶“你最近在忙什么”。不是沒記，是記憶檢索的時候，那把“雅思”和“備考”“出國”串起來的因果鏈斷了。向量數(shù)據(jù)庫的top-k召回，把“雅思”這個embedding拉回來了，但“為什么準備雅思”以及“雅思和他上次抱怨的工作壓力有什么關(guān)系”這種多跳關(guān)系，完全丟了。那一刻我意識到，用單純向量存記憶，就像把一大抽屜的紙條倒進了一個桶里，你只能聞到“紙條”的味道，卻永遠找不回那張寫著“因為想轉(zhuǎn)行去外企”的紙條。后來我把Agent記憶的存儲結(jié)構(gòu)改成了圖數(shù)據(jù)庫。圖數(shù)據(jù)庫這玩意兒，剛接觸的時候覺得它就是個花架子，無非是節(jié)點和邊，有什么稀奇。但當(dāng)你真正用Cypher寫出一條跨三層的路徑查詢時，那種“從記憶碎片里焊出一條邏輯鏈”的爽感，是任何KV存儲都給不了的。這篇筆記，我想把圖數(shù)據(jù)庫怎么和Agent記憶結(jié)合起來這件事，從踩坑到落地，掰開揉碎講清楚。先說為什么非得是圖。向量數(shù)據(jù)庫擅長找“相似的”，但不擅長找“相關(guān)的”?！跋嗨啤笔莈mbedding空間里的距離，“相關(guān)”是實體之間的語義連接。用戶說“我喜歡喝手沖咖啡”，又說“最近總是失眠”，這兩句話的向量距離可能很遠，但如果你在圖里建立“手沖咖啡”和“失眠”之間的潛在關(guān)系——咖啡因影響睡眠——那Agent就能在用戶下次說“今天不喝咖啡了”時，接上一句“是因為失眠嗎？”這種關(guān)聯(lián)，就是圖數(shù)據(jù)庫的看家本領(lǐng)。當(dāng)時我設(shè)計的第一版schema，簡單粗暴：一個Memory節(jié)點，一個Entity節(jié)點，Memory通過HAS_ENTITY指向Entity。想著還挺美，結(jié)果跑了一周，圖里出現(xiàn)了兩千多個“