家庭金融公司 Greenlight 称 Luna 靠记忆层将自主解决率从 83% 推至 90% 以上

Greenlight Financial 的安全运营智能体 Luna 有一个值得注意的设计选择：它不是靠更强大的模型或更多的工具来提升准确率，而是靠记忆。

Luna 是一个分层多智能体系统，Tier 1 处理日常告警的分诊，Tier 2 处理需要多步推理的复杂案例。仅靠 Tier 1，自主解决率停在 83%。Greenlight 报告说，加入记忆层后这个数字超过了 90%。

记忆层分两块。第一块是 30 天滚动窗口的短期记忆：当新告警到来时，Luna 会检查这个模式在过去 30 天是否出现过、当时怎么判定的、是否应该直接放行。Greenlight 举了一个具体例子——某个基础设施角色每周二凌晨三点执行一次计划维护，没有记忆的系统会每周重新标记这个行为，有记忆的系统在第一次解决后就学会了这是预期行为，自动加入白名单。

第二块是长期记忆，存储超出 30 天窗口的语义偏好和解决模板。比如来自某个特定暗网来源的卡有 73% 的误报率，优先去重；或者针对反复出现的案例类型编码的解决模板。

真正驱动准确率从 83% 到 90% 以上的，是连接这两块记忆的案例学习管线。一个 AWS Lambda 函数捕获每次案例解决结果，DynamoDB 存储解决模式并去重。关键规则是：当 Luna 用相同方式解决一个案例三次，它就记录为一个确认模式。然后另一个 Lambda 把这些新学到的东西处理成可操作的上下文，供监督者在推理时消费。这个反馈回路让 Tier 1 的首次通过率持续改善。

Greenlight 把这套做法列为五条经验之一，称之为记忆复利：每个被解决的案例都教会 Luna 一件事——一个新的白名单模式、一个确认的误报来源、一个解决模板。运行六个月后，Luna 积累的组织知识相当于一个新人类分析师需要数月才能建立的经验。

需要指出的是，这些数字全部来自 Greenlight 自报的生产测量，由 AWS 作为平台方发布。文章没有披露分母（同期案例总量是否变化）、没有说明选择效应（复杂案例是否仍依赖人工）、没有前后对比的实验设计。83% 到 90% 以上的提升将 Tier 2 的加入与记忆层的贡献合并报告，无法单独归因于记忆机制本身。