一种智能体分层记忆提取与上下文压缩方法、设备及介质与流程

本发明涉及人工智能与智能体任务执行，具体涉及一种智能体分层记忆提取与上下文压缩方法、设备及介质。

背景技术：

1、随着大语言模型驱动的智能体在企业业务中的应用增多，智能体不再仅处理单轮问答，而是需要围绕客户、项目、工单、合同、审批等对象持续执行跨天、跨周甚至跨月的长周期任务。现有智能体上下文处理方式主要包括直接保留会话历史、基于摘要压缩历史文本、基于向量检索召回历史片段和基于数据库记录维护任务状态。这些方式在短周期任务中基本满足需求，但在长周期任务中存在如下缺陷：缺少面向长周期任务的记忆分层规则，大量方案将所有历史对话统一存储为文本或向量，不区分即时工作记忆、阶段性任务记忆和长期归档记忆，导致召回时无法根据任务阶段和时效性进行差异化处理；缺少可量化的压缩指标，传统摘要方法未明确压缩率、事实保留率和动作项覆盖率等评价指标，压缩后内容难以验证；缺少与任务状态绑定的索引结构，单纯语义向量检索容易召回语义相似但任务阶段不匹配的内容；缺少上下文预算控制机制，模型上下文空间有限，无序拼接历史内容会增加token成本并降低关键事实命中率。

2、因此，如何设计一种能够对长周期任务历史信息进行分层管理、指标化压缩和精准召回的方法，是亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种智能体分层记忆提取与上下文压缩方法、设备及介质，通过分层判定评分、压缩质量指标约束和多维索引召回的组合机制，解决长周期智能体任务中历史上下文持续增长、重要事实易丢失和召回内容不稳定的问题。

2、第一方面，本申请实施例提供了一种智能体分层记忆提取与上下文压缩方法，由处理器执行，包括以下步骤：

3、采集智能体在长周期任务执行过程中产生的原始记忆片段，所述原始记忆片段包括会话消息、工具调用结果、外部系统回写结果和任务状态变化记录；

4、对所述原始记忆片段进行语义解析，得到实体、事件、动作项、约束条件、时间锚点、证据来源和置信度；

5、根据所述原始记忆片段的时效性、任务依赖度、事实稳定性、访问频率、证据完整性和敏感等级，计算分层评分，并根据所述分层评分将所述原始记忆片段划分为多个记忆层级，所述记忆层级包括工作记忆、任务记忆和归档记忆；

6、按照所述记忆层级对应的压缩规则生成压缩记忆，并计算所述压缩记忆的压缩质量指标；所述压缩质量指标包括压缩率、事实保留率和动作项覆盖率；

7、为所述压缩记忆建立语义索引、实体索引、任务阶段索引、时间索引和动作项索引；

8、在智能体执行新的任务步骤时，根据当前任务意图、当前任务阶段和预设的上下文预算，基于所述语义索引、所述实体索引和所述任务阶段索引从不同记忆层级中召回候选压缩记忆，并按照所述上下文预算进行排序裁剪后组装为输入上下文。

9、优选地，所述分层评分通过如下公式计算：

10、 （1）；

11、其中，为时效性评分，为任务依赖评分，为事实稳定评分，为访问频率评分，为证据完整评分，为敏感惩罚项；、、、、和分别为时效性评分、任务依赖评分、事实稳定评分、访问频率评分、证据完整评分和敏感惩罚项的权重系数。

12、优选地，所述压缩规则包括：

13、对所述工作记忆采用轻量压缩，保留最近上下文、未完成步骤和临时变量；

14、对所述任务记忆采用结构化压缩，生成包含目标、事实、动作、风险和证据的五元摘要；

15、对所述归档记忆采用稳定事实压缩，生成包含实体、结论、来源、适用范围和更新时间的结构化记录。

16、优选地，当所述事实保留率或所述动作项覆盖率低于预设阈值时，对所述压缩记忆执行修复操作，将缺失的关键事实或动作项重新补入所述压缩记忆。

17、优选地，所述召回候选压缩记忆包括：根据语义相似度、实体匹配度、任务阶段匹配度、动作项相关度和时间衰减系数计算候选压缩记忆的召回评分，并按照所述召回评分从高到低选择不超过所述上下文预算的候选压缩记忆。

18、优选地，所述组装为输入上下文还包括：对选中的候选压缩记忆进行一致性校验和敏感信息过滤，按照工作记忆优先、任务记忆补充、归档记忆的先后顺序组装。

19、优选地，所述方法还包括：

20、根据智能体执行所述输入上下文后的执行结果、人工反馈和工具返回结果，更新各原始记忆片段对应的记忆层级，并更新所述语义索引、所述实体索引、所述任务阶段索引、所述时间索引和所述动作项索引中各索引项与对应压缩记忆之间的关联强度。

21、第二方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的方法。

22、第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现第一方面所述的方法。

23、第四方面，本申请实施例提供了一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。

24、本发明相较于现有技术的方案，至少具有以下有益的技术效果：

25、（1）通过工作记忆、任务记忆和归档记忆的三层分级管理，并根据时效性、任务依赖、事实稳定性、访问频率、证据完整性和敏感等级六维评分自动判定记忆层级，使长周期任务中的历史信息按照生命周期和任务依赖关系进行组织。不同层级的记忆分别服务于不同的时间窗口和任务阶段，工作记忆保证即时执行的上下文连续性，任务记忆保证阶段性任务的连续推进，归档记忆保证长期知识的复用，从而避免了所有历史内容混合存储导致的召回噪声和上下文膨胀问题；

26、（2）通过压缩率、事实保留率和动作项覆盖率等可量化指标约束压缩结果，并在事实保留率或动作项覆盖率低于预设阈值时自动触发修复操作补入缺失的关键信息，使压缩过程从不可验证的普通摘要生成升级为可评价、可修复的上下文压缩机制。进一步可通过实体一致性、时间线完整性和冗余度等辅助指标实现压缩质量的多维度评估；

27、（3）通过语义索引、实体索引、任务阶段索引、时间索引和动作项索引五维索引结构，使智能体在执行新任务步骤时能够从多个维度同时进行候选召回，语义维度保证内容相关性，实体维度保证对象精确性，任务阶段维度保证时序匹配性，时间维度保证时效性，动作项维度保证任务连续性，从根本上解决了单一向量检索容易召回语义相似但阶段不匹配内容的问题；

28、（4）通过上下文预算控制和召回评分排序裁剪机制，使模型输入在有限上下文窗口内保持高价值信息密度。系统按照工作记忆优先、任务记忆补充、归档记忆的先后顺序组装上下文，确保当前最紧急的信息优先进入窗口，有效降低token成本并减少低价值历史内容的干扰。同时，通过执行反馈持续更新记忆层级和索引关联强度，使记忆管理形成持续优化闭环，适合销售跟进、项目管理、长期客服等需要长期状态保持的企业场景。

1.一种智能体分层记忆提取与上下文压缩方法，由处理器执行，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述分层评分通过如下公式计算：

3.根据权利要求1所述的方法，其特征在于，所述压缩规则包括：

4.根据权利要求1所述的方法，其特征在于，当所述事实保留率或所述动作项覆盖率低于预设阈值时，对所述压缩记忆执行修复操作，将缺失的关键事实或动作项重新补入所述压缩记忆。

5.根据权利要求1所述的方法，其特征在于，所述召回候选压缩记忆包括：根据语义相似度、实体匹配度、任务阶段匹配度、动作项相关度和时间衰减系数计算候选压缩记忆的召回评分，并按照所述召回评分从高到低选择不超过所述上下文预算的候选压缩记忆。

6.根据权利要求5所述的方法，其特征在于，所述组装为输入上下文还包括：对选中的候选压缩记忆进行一致性校验和敏感信息过滤，按照工作记忆优先、任务记忆补充、归档记忆的先后顺序组装。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。