CrewAI 称 Agent 记忆不是存储问题而是认知问题:用单一表实现矛盾消解与置信门控召回
CrewAI CEO Joao Moura 在 LanceDB 厂商博客中阐述了其 Agent 记忆架构的重构思路:将记忆从被动存储检索重新定义为主动认知系统,通过编码时冲突检测、合并时阈值消解和召回时复合评分三个环节,在单一 LanceDB 表内完成此前需要两套系统协调的工作。
CrewAI 的旧记忆架构由两部分组成:一个向量库负责嵌入存储与相似度检索,另一个数据库负责结构化记忆状态。长期记忆、短期记忆、实体记忆和嵌入工具全部经过这套组合。CEO Joao Moura 描述的失败模式很具体:Agent 周一学到一件事,周五学到与之矛盾的另一件事,然后两件事都记住了。
Moura 将这次重构的核心判断表述为:记忆不是存储问题,而是认知问题。这意味着系统需要在写入时就决定记什么、如何处理矛盾、何时遗忘,而不是把这些决策推给应用层。
在实现层面,新系统包含五个认知操作:编码、合并、召回、提取和遗忘。编码阶段,系统分析内容、分配作用域和类别、在 0–1 尺度上赋予重要性权重后才写入。当新记忆与已存储记忆产生冲突且超过 0.85 阈值时,合并操作介入:旧记录被更新,上下文保留,过时事实被移除。召回阶段不再使用静态相似度查找,而是用复合评分:score = (similarity × w_sim) + (recency × w_rec) + (importance × w_imp)。一个六个月前的关键架构决策可以排在昨天的随意提及之前。当置信度不足时,系统会搜索更深层再返回,而非直接给出最近邻结果。
架构选择上,CrewAI 将此前分散在两个系统中的数据合并到一张 LanceDB 表中。作用域通过 SQL 风格的 WHERE 子句过滤实现,B-tree 索引使过滤查询跳过全表扫描。Moura 称设置过程没有任何障碍,实现只需一个库安装、一个本地目录路径,无需新基础设施。
需要指出的是,本文发布在 LanceDB 官方博客上,属于厂商通过客户案例推广自身产品的形式。所有性能数据——~200ms 检索延迟、2B+ Agent 执行量、12M 月下载——均为 CrewAI 自报,无独立评测。0.85 冲突阈值和复合评分的具体权重未披露消融实验或与其他阈值的对比。这些数字说明该方案已在生产环境运行,但不能独立证明其优于其他记忆架构。
对开发者的实际参考价值在于设计前提的转换:当 Agent 积累矛盾信息时,问题不在检索层而在写入层——系统需要在编码时就判断新事实是否使旧事实过时,而不是等到召回时再处理冲突。这一思路将矛盾消解从应用层的同步问题转化为存储层内部的单次查询操作。