前端转 AI Agent 面试必问：记忆系统怎么答到位（追问路径 + 评分点）
“你们的 Agent 记忆怎么做？”是转岗面试的高频题。多数候选人只会背短期/长期/向量库，但说不清写入策略、召回排序、隐私边界与线上评估。本文用面试官视角给出可复用的答题结构：先讲目标与边界，再讲分层与数据模型，最后讲观测与迭代；同时提供常见错答、追问链路与评分标准。
📷 Photo by Tara Winstead via Pexels
这道题在考什么：不是“你知道记忆”，而是“你能把记忆做成产品能力”
面试官问“记忆系统怎么做”，表面在聊架构，实质在考四件事：
- 边界：记忆要解决什么、不解决什么
- 数据：记忆是什么结构、怎么写入、怎么更新
- 检索：怎么召回、怎么排序、怎么避免误召回
- 闭环：怎么评估、怎么灰度、怎么止损
你只要围绕这四点组织答案，就不会跑偏。
如果你需要一篇“工程化基线”先补齐概念，可以先看：
一、答题模板（建议背下来）：目标 → 分层 → 写入 → 检索 → 评估 → 风险
一句话开场（10 秒）：我们的记忆系统目标是提升任务完成率与可控性，而不是无限积累聊天记录。我们做了分层（短期/长期/外部），并用写入阈值与检索重排控制污染，最后用离线评测 + 在线指标验证 ROI。
下面按模块展开。
1）目标与边界：先把“记忆”定义成系统资源
你可以这样说：
- 记忆的目标：减少重复提问、提升一致性、让 Agent 能复用经验
- 记忆的边界：
- 不把敏感信息跨用户复用
- 不把未验证的“模型猜测”写成事实
- 不把所有上下文都写入（成本与污染不可控）
这一步能把你和“只会背向量库”的候选人区分开。
2）分层架构：短期/长期/外部的职责划分
建议用三层回答：
- 工作记忆（Working Memory）：当前会话窗口 + 最近若干轮摘要（低延迟、易失）
- 长期记忆（Long-term Memory）：用户偏好、稳定事实、可复用经验（可更新、可过期）
- 外部记忆（External Memory）：知识库/工单/CRM/文档（事实来源、可追溯）
关键点：长期记忆不是知识库。长期记忆更像“个性化与经验”，外部记忆才是“事实系统”。
二、写入怎么做：什么时候写、写什么、写到哪
面试官最常追问：写入策略。
1）写入触发：别“每轮都写”
可落地的写入触发条件（说其中 2-3 个即可）：
- 用户明确声明偏好/约束（可复用）
- 任务完成后有可复用经验（例如成功流程、失败原因）
- 多轮对话收敛出稳定事实（经过验证）
相反，不建议写入：
- 模型推测、未验证的结论
- 一次性、强时效的信息
- 含敏感字段但未脱敏的内容
2）写入内容：从“段落”变成“条目”
面试里你可以强调：我们写入的不是原文，而是结构化条目，例如：
{
"type": "preference",
"subject": "user:123",
"key": "tone",
"value": "简洁直给",
"confidence": 0.9,
"source": "chat",
"createdAt": "...",
"expiresAt": "..."
}
这样做的好处：可检索、可更新、可过期、可审计。
3）去重与更新：幂等键 + 冲突策略
面试官一旦追问“写重复了怎么办”，你可以答：
- 记忆写入使用幂等键（例如 subject+key+hash）
- 冲突用规则合并：
- 以最新为准（但保留历史）
- 或保留多值并做权重衰减
- 每条记忆都有 TTL/过期策略
三、检索怎么做：多路召回 + 重排 + 反污染
候选人最容易在这里暴露：只会说“向量检索 top-k”。
你可以用“多路召回”来答：
1）多路召回（至少说出两路）
- 语义相似召回（向量）
- 最近优先召回（recency）
- 任务相关召回（按 taskType / tool / entity 标签）
然后强调：最终不是简单拼起来，而是要 融合排序。
2）重排（rerank）：把“相关”变成“有用”
可落地的重排信号：
- 与当前任务类型的匹配度
- 记忆置信度、来源可靠性
- 新鲜度衰减
- 是否被用户纠正过（被纠正的降权或失效）
3）误召回治理：答得越像越危险
面试官非常爱问：“记忆召回错了怎么办？”
你可以答三个层次的治理：
- 预防：写入时结构化 + 置信度 + TTL
- 检测：在生成前做约束校验（例如必须有来源/证据）
- 止损：低一致性时触发追问或回退（关掉记忆、改用外部事实）
四、评估与可观测：用指标证明记忆有用
一句话：没有评估的记忆系统，最后都会变成污染源。
面试里建议说出两类指标：
1）离线评测
- 任务完成率（固定样本集）
- 记忆命中率（recall@k）
- 误召回率（irrelevant@k）
2）在线指标（产品视角）
- 返工率/追问轮数下降
- 用户手动纠正次数下降
- token 成本变化、p95 延迟变化
如果你能提到“灰度开关”和“回滚”，加分很大。
五、面试官追问清单（你要准备的反问）
下面这些追问经常出现，你可以主动带出答案：
- 记忆和知识库怎么区分？
- 记忆写入的触发条件是什么？
- 误召回怎么检测与止损？
- 隐私隔离怎么做（按用户/租户）？
- 如何证明记忆提升了任务完成率？
六、评分标准（面试官视角）
你可以把它当成自测：
- 初级：只会说“向量库 + top-k”
- 中级：能讲分层、写入与检索，但缺少评估与止损
- 高级：能讲闭环（评测/灰度/回滚/合规）并能给出指标
如果你能把“幂等、日志、预算、止损”讲清楚，基本就是高分答案。
常见问题
记忆系统必须用向量数据库吗？
不一定。偏好、配置、结构化事实更适合关系型或 KV；向量库更适合语义相似召回。面试里讲“按数据类型选存储”比“万能向量库”更可信。
如何把记忆和 ReAct/工具调用结合？
记忆负责提供先验与约束，工具调用负责拿事实与回执，二者都要落到事件日志里形成闭环。想看 ReAct 的工程化落地可读：