LinkedIn 认知记忆 Agent 深度解析：四层记忆系统实现个性化招聘助手

Stack Overflow 博客发布了对 LinkedIn 首席 AI 研究员 Praveen Bodigutla 的访谈，深入解析了 LinkedIn 团队为招聘助手构建的认知记忆 Agent 系统。这个系统采用四层记忆架构，为 AI 招聘助手提供了持久的、个性化的状态。团队还解释了为什么他们放弃了 GraphRAG，转而采用自己的记忆架构。

背景：为什么招聘助手需要记忆

LinkedIn 的招聘助手是一个 AI 驱动的工具，帮助招聘人员和求职者进行更高效的匹配和沟通。与一般的问答系统不同，招聘助手需要：

1. 持久记忆：记住用户的偏好、历史交互、之前的搜索和筛选条件
2. 个性化：根据每个用户的独特需求和背景提供定制化的建议
3. 上下文理解：理解多轮对话中的上下文，而不是孤立地回答每个问题
4. 学习适应：随着交互的增加，逐渐适应用户的工作方式和偏好

这些需求都指向同一个核心能力：记忆。没有记忆的 AI 助手每次交互都是从零开始，无法提供真正个性化的体验。

为什么放弃 GraphRAG

在构建记忆系统之初，LinkedIn 团队考虑了 GraphRAG（Graph-based Retrieval-Augmented Generation）方案。GraphRAG 是一种基于知识图谱的 RAG 技术，通过构建实体和关系的图谱来增强检索能力。

但团队最终决定放弃 GraphRAG，原因包括：

1. 构建成本高：构建和维护高质量的知识图谱需要大量的人力和计算资源
2. 更新延迟：知识图谱的更新通常是批处理的，无法实时反映最新的交互
3. 灵活性不足：图谱结构一旦确定，修改和扩展的成本较高
4. 查询复杂度：复杂的图谱查询性能较差，难以满足实时交互的需求
5. 与对话场景不匹配：招聘助手的交互主要是对话式的，知识图谱的结构化查询不是最自然的方式

基于这些考虑，团队决定设计自己的记忆架构，专门针对对话式 AI 助手的需求进行优化。

四层记忆架构

LinkedIn 的认知记忆 Agent 采用了四层记忆架构，每一层负责不同类型的记忆和不同的时间尺度：

第一层：工作记忆（Working Memory）

工作记忆是当前对话上下文中的短期记忆，类似于人类的短期记忆。

• 内容：当前对话的历史、最近的搜索结果、当前的筛选条件
• 时间尺度：当前会话（几分钟到几小时）
• 存储方式：内存中的上下文窗口
• 特点：访问速度最快，但容量有限，会话结束后会被清除

工作记忆确保 AI 助手能够理解当前对话的上下文，进行连贯的多轮交互。

第二层：情景记忆（Episodic Memory）

情景记忆记录用户的具体交互事件，类似于人类对具体事件的记忆。

• 内容：用户的搜索历史、查看过的职位、发送过的消息、做出的决策
• 时间尺度：几天到几个月
• 存储方式：事件日志数据库，每条记录包含时间戳、用户 ID、事件类型、详细内容
• 特点：按时间顺序组织，可以回放用户的交互历史

情景记忆让 AI 助手能够回忆起用户之前做过什么，避免重复提问，提供连续性的体验。

第三层：语义记忆（Semantic Memory）

语义记忆存储从交互中提取的结构化知识和用户偏好，类似于人类的长期知识记忆。

• 内容：用户的职位偏好、行业偏好、地点偏好、薪资期望、技能标签、公司偏好
• 时间尺度：几个月到几年
• 存储方式：结构化的用户画像数据库，支持高效查询和更新
• 特点：经过提炼和抽象，不是原始事件，而是从事件中提取的模式和偏好

语义记忆是个性化的核心。AI 助手根据语义记忆中的用户画像，提供定制化的职位推荐和沟通建议。

第四层：程序记忆（Procedural Memory）

程序记忆存储用户的工作流程和行为模式，类似于人类的技能和习惯记忆。

• 内容：用户的典型工作流程、常用的筛选条件组合、偏好的沟通方式、决策模式
• 时间尺度：长期（几年）
• 存储方式：行为模式模型，通过机器学习从历史交互中提取
• 特点：隐式的，不是显式的规则，而是从大量数据中学习到的模式

程序记忆让 AI 助手能够预测用户的下一步操作，主动提供帮助，适应用户的工作方式。

记忆的写入和更新

四层记忆系统的写入和更新遵循不同的策略：

实时写入

• 工作记忆：每次交互实时更新
• 情景记忆：每次交互后立即记录事件

批量处理

• 语义记忆：定期（如每天）从情景记忆中提取和更新用户画像
• 程序记忆：定期（如每周）从大量历史数据中重新训练行为模式模型

遗忘机制

为了避免记忆无限增长和过时信息的干扰，系统实现了遗忘机制：

• 工作记忆：会话结束后清除
• 情景记忆：超过一定时间（如 6 个月）的事件被归档或删除
• 语义记忆：长期未被激活的偏好权重逐渐降低
• 程序记忆：定期重新训练，旧的模式被新的模式替代

记忆的检索和使用

在每次交互中，AI 助手需要从四层记忆中检索相关信息：

1. 工作记忆：直接从当前上下文窗口获取
2. 情景记忆：根据时间、事件类型、关键词进行检索
3. 语义记忆：根据用户 ID 直接查询用户画像
4. 程序记忆：根据当前上下文预测用户的下一步操作

检索到的信息被整合到提示词中，提供给大语言模型，帮助它生成更个性化、更相关的回复。

与 GraphRAG 的对比

经验和教训

LinkedIn 团队在构建认知记忆 Agent 的过程中总结了以下经验：

1. 记忆架构需要与场景匹配：没有通用的记忆架构，需要根据具体应用场景设计
2. 分层是关键：不同类型和时间尺度的记忆应该分开存储和管理
3. 遗忘和记忆同样重要：需要设计合理的遗忘机制，避免记忆膨胀和过时
4. 隐私保护：用户记忆包含敏感信息，需要严格的隐私保护和数据治理
5. 可解释性：用户应该能够查看和管理 AI 记住的关于自己的信息
6. 渐进式构建：从简单的记忆开始，逐步增加复杂度，不要一开始就构建过于复杂的系统

总结

LinkedIn 的认知记忆 Agent 展示了为对话式 AI 助手设计记忆系统的一种有效方法。四层记忆架构（工作记忆、情景记忆、语义记忆、程序记忆）覆盖了不同类型和时间尺度的记忆需求，为 AI 助手提供了持久的、个性化的状态。

放弃 GraphRAG 而采用自定义记忆架构的决定提醒我们：没有通用的最佳方案，需要根据具体场景选择最合适的技术。对于对话式个性化助手来说，分层的、实时的、灵活的记忆架构比结构化的知识图谱更合适。

随着 AI Agent 应用的普及，记忆系统将成为越来越重要的组件。如何构建高效、可靠、隐私友好的记忆系统，将是 AI 领域的重要研究方向。

原文链接：https://stackoverflow.blog/2026/08/25/inside-linkedin-s-cognitive-memory-agent/