GUMem 如何工作

GUMem 是生产级可用的记忆系统。它能够围绕会话消息、工具调用、业务事件和行为记录构建多层级记忆结构，用于提取、压缩和召回用户画像、偏好、意图与长期上下文。接下来将从记忆模型、记忆提取、记忆召回和遗忘机制四个方面介绍 GUMem 如何工作。

记忆层次模型

层级	作用	说明
Topic	发现潜在关联	识别 Facts 和 Summaries 之间的关系，形成可持续扩展的长期记忆主题。
Summary	抽象与直接推理	基于 Facts 进行多角度抽象、归纳和必要的直接推理，将分散事实压缩为适合召回的长期记忆。
Facts	高保真事实提取	面向原始输入提取可验证事实，不引入额外推理或猜测，重点保证低噪声和高保真。
Message	原始信息来源	保留原始对话、工具调用、业务事件或行为记录，为 Facts 提供可追踪来源。

记忆提取

GUMem 按层级完成记忆提取：先抽取高保真的 Facts，再基于同一批 Facts 生成多角度 Summaries，最后迭代更新 Topics，让长期记忆保持可追踪、可压缩和可召回。

1. Facts 抽取：从原始输入中提取明确支持的信息，重点保证准确性、低噪声和高保真。系统会保留关键实体、明确指代、来源证据和绝对时间锚点，不把推测或补全写成事实。
2. Summaries 抽取：基于同一批 Facts Chunk 做多角度抽象、归纳和直接推理，将分散事实压缩成适合 Agent 使用的长期上下文。
3. Topics 更新：根据新生成的 Summaries 和已有 Topic 内容迭代更新主题入口，保持长期记忆的新鲜度和召回效率。

这套流程避免了直接摘要原始聊天记录带来的噪声和不可追踪问题，也比只保存事实更适合长会话、跨主题历史和时间相关任务。

记忆的召回

GUMem 的召回按记忆层级逐步展开。系统会先从 Topic 定位相关记忆范围；如果高层结果已经足够，就直接进入返回流程。当 Topic 的召回内容不足时，系统会继续下钻到 Summary，获取更具体的长期记忆；如果 Summary 仍不足以支撑当前任务，再继续补充 Facts 作为证据层上下文。

这张图可以按以下顺序理解：

1. Topic 定位方向：query 先进入 Topics，用高层主题快速缩小召回范围。
2. Summary 补充记忆：如果 confidence: low，系统继续召回 Summaries，拿到更具体的压缩记忆。
3. Facts 补充证据：如果 Summary 仍然不够，系统再下钻到 Facts，补充可追踪证据。
4. merge + rerank 返回结果：召回得到的候选内容会先合并，再按当前 query 的相关性、置信度和证据强度重新排序，最终返回给 Agent 使用。

这让召回过程既能保持高层检索的效率，也能在上下文不足时回到更细粒度的事实层，避免把所有历史一次性塞进上下文。

下一步

• 阅读 新增记忆 写入新的 Message。
• 阅读 查询记忆 了解如何召回 Topic、Summary、Facts 和 Message。