上一版 MemoryBear 做的事,是把一条记录变成一张画像。学员报过哪门课、客户有哪些既往情况、那只猫几岁,从散落的记录归拢成有名字、有分类的字段,摆得整整齐齐。
画像回答的是「他有哪些经历、跟谁有关」。企业真正用起来,还缺另一半:这个人该怎么对待。字段摆得再齐,也答不了这一问。从画像到人格,中间差一道提炼。
MemoryBear v0.5.5 迈出的就是这一步:让系统从画像里提取出人格,形成一组能用于交互的整体特征。人格提出来之后不直接生效,要经用户确认。同一版还把记忆的组织口径、回答的依据、Agent 的复用一并往前推了一截。
AI 人格:从候选特征到可锚定画像
多数记忆系统存的是偏好:“喜欢简短回答”“不接电话”“对价格敏感”。这类信息有用,但把一百条偏好加在一起,也拼不出一个人。
偏好是点,人格是面。一个人怎么理解信息、怎么权衡取舍、压力上来时会怎么反应,不是靠标签堆出来的。这也是为什么很多 Agent 记得住用户,却总是在同一个地方说错话。
本次更新增加的“六维人格提取”要解决的就是这件事:系统从已有的用户画像出发,提取六个维度的人格特征,把散落在对话、行为和背景里的线索,归纳成六个方向上的稳定判断。
系统先输出候选结论,经过验证或用户编辑、确认后才生效。生效之后的人格档案有三个用法:
❖ 看得见:人格词云、维度统计、详情查看。系统把一个人归纳成了什么,可以当面核对,不必靠猜。
❖ 管得住:锚定规则配置。这份描述不只用于展示,还要去约束应用的行为——同一句话,对不同的人,说法应该不一样。
❖ 改得动:哪一维判断偏了,改掉或拒掉,下一次就按新的走。人格不是一次性写死的标签集。
“六维人格”功能的价值非常明显:
对企业,让Agent 不必每次从零推断用户,重复提问和误判都会少一截;
对用户,AI 的态度是可见、可改的,不再是一个黑箱;
对业务,人格从“模型觉得”变成一份可审计的对象——这是企业敢把它放到客户面前的提前条件。
举个例子:一家做慢病管理的健康服务团队,一位顾问手上同时跟三十个客户。过去用通用记忆,Agent 对谁都是一套标准话术,外加一段数据解释,客户听不听得进去,全看顾问自己的经验。接入人格维度后,Agent 能认出这位客户属于“焦虑型、要先听结论、对着一屏指标会紧张”,开口之前先把说法调好。
△用户人格与偏好引擎
记忆的组织:情景与显性各归其位
人格提得准,前提是它读的那些记录本身分得清场景、算得清口径。这一版把记忆的底层重新组织了一遍。
情景记忆记的是「发生过什么」,包含一段经历里的人物、时间、行为和环境,也可能带图片。一位用户向旅行 Agent 讲过一段行程,既有文字,也有酒店和餐厅的照片。几个月后他再规划类似行程,一条孤立的「去过某地」帮不上什么忙。当时住在哪里、做了什么、对哪些体验满意,这些才是下一次要用的东西。
v0.5.5 把情景记忆与多模态场景记忆统一沉淀。场景详情、摘要、排序、分页与关键词搜索一并补上,统计方式也做了调整。

△情景记忆管理
显性记忆管的是另一头:哪些信息需要长期明确保留。永久记忆、关键节点、长期沉淀、语义记忆原先分在不同入口,各算各的账。用户看不清同一类重要信息该去哪里找,也看不懂页面上的总数到底代表什么。v0.5.5 把四类统一纳入显性记忆,工作空间与个人空间用同一套范围展示,统计口径一致。
记忆写入这一端也做了加固。用户消息整理与助手回答摘要的质量提升,处理结果增加校验,无法正常完成时自动回退,服务不至于断在一步上。

△显性记忆管理
让回答更可信:每条结论追得回证据
记忆被调进上下文之后,用户看到的是一句顺滑的回答,看不到它凭什么这么说。出了问题只能整段重来,定位不到是哪条记忆错了、哪一步检索偏了。
v0.5.5 把检索过程摊开:分阶段展示进度,给出可追踪的证据,回答经过引用校验再返回。一线用的人能从一句话追回它依据的那条记忆,改得动,也定位得到。
引用校验要确认的是,结论确实来自被引用的那条记忆,避免模型自行补全。这一步做了,回答里的每一句才有可查的出处。
年度视图汇总空间内终端用户的整体指标、活动数量与每日趋势,月度视图给出每天的活动由哪几类组成、各占多少。总量与组成两个角度合起来看,管理者不必再靠翻记录判断记忆有没有在正常运转。
△记忆空间年度视图
Agent 复用:从单个空间到企业资源库
一个团队做出来的 Agent,另一个团队要用,过去只能照着抄一遍。提示词、工具、工作流挨个重配,配完还和原版悄悄走偏。工具本身也散。内置工具、MCP 服务、工作流、自定义工具分在几处,一个 Agent 依赖了什么,得挨个点开看。
v0.5.5 让已发布的 Agent 进入企业资源库。其他空间可以按「仅使用」或「可编辑副本」两种方式添加。依赖识别列出运行所需的资源,版本快照把副本与来源隔开,原版后续的改动不会悄悄影响已经拿走的那一份。
工具侧新上线统一资源中心,四类资源集中到一处浏览和管理。MCP 是让 AI 应用连接外部工具与服务的协议。把它与其他工具放在同一处,开发者可以先看当前有什么可用,不必先进某个 Agent 再逐项翻。Agent 详情与集群配置按层级展示所引用的工具,依赖关系一眼看得清。
错误提示也统一了。原始异常换成本地化说明,配统一错误码、重试指引与追踪编号。用户知道下一步能做什么,支持团队拿到的是能查的编号。
△企业资源中心
知识库:影响答案质量的两处修正
知识库一多,同一个问题在几个库里都有答案。原先的处理是先按单个库的数量上限截断,再把结果拼起来。真正相关的答案可能因为所在库的局部排序靠后,进不了返回结果。v0.5.5 调了顺序:多个库的 FAQ 候选先合并,再全局重排,最后按数量上限返回。

△知识库管理更新
另一处在 Wiki。长文档切成多个分片,不同分片反复提到同一个主题,每片各建一页,重复内容就攒下来了。v0.5.5 在同一知识库内比对主题类型与规范化名称,两项一致的复用已有页面。

△Wiki主体智能归并
两处修订都按明确条件执行,不把名字相近的主题一并合并。答案质量仍受知识内容、召回结果与应用配置影响。
上一版的“用户画像”让MemoryBear从记住用户迈向理解用户。此次更新则更新一步:归纳并验证“人格”,然后形成稳定复用。
“记忆-理解-验证-复用”,四个环节完美闭合,MemoryBear 正在成为面向各类智能应用的原生记忆底座。
你的各种AI助手对你的理解,本就该生长在同一块记忆地基之上。

