智能体的上下文与记忆治理:记忆晋升、时鲜治理与语义冲突仲裁
2026年11月20日

智能体在企业里表现不稳定,八成不是模型能力不够,而是上下文给错了。同一个问题,问"上月华南区的费用为什么超了",人知道要看哪个口径、按哪套组织层级、用哪版预算基线;智能体不知道,除非有人把这些企业特有的语义喂给它。

这件事听起来像 RAG(检索增强生成)能解决:把文档切片、建索引、检索注入。实际做过的人都知道,RAG 解决的是"找到相关材料",解决不了"材料之间打架"和"材料过期了"。

三个真实存在的坑

第一是记忆没有层级。企业里的知识有三种时间尺度:制度与规则是长期稳定的,指标口径是季度或年度调整的,业务现场数据是天级变化的。如果把三类内容平铺在一个向量库里,检索时按相似度排序,结果往往是昨天的临时数据压过了正式制度——因为临时数据的措辞往往更贴近提问。

第二是内容会过期。一份 2024 年的费用报销制度、一份 2025 年的修订版,同时躺在知识库里。智能体检索到哪份取决于切片和排序,用户看到的答案因此时对时错,而且错得没有规律。

第三是语义冲突没有仲裁机制。财务说的"收入"、销售说的"收入"、税务说的"收入",字面一样、口径不同。智能体不会主动追问"你说的是哪个收入",它会挑一个最像的往下算,最后给出一份自洽但与业务不符的报告。

用友 YonAIG 的三组解法

记忆晋升解决层级问题。企业记忆不是一次性灌进去的,而是从原始材料逐步晋升为可复用的稳定知识:现场数据先进入工作记忆,被反复验证有效的部分晋升为业务记忆,最终沉淀为组织级的企业记忆。晋升机制让不同稳定度的内容待在不同层,检索时按任务性质取对应层级——做实时判断取工作记忆,做规则判断取企业记忆。

时鲜治理解决过期问题。每条记忆带有效期与版本标记,新版本发布后旧版本自动降级或失效,检索时优先返回当前有效版本;对于确实需要保留历史口径的场景(比如审计追溯),则保留版本链而不是覆盖。这类机制不复杂,但没有平台支撑时,靠人工维护几乎不可能持续。

语义冲突仲裁解决口径问题。当同一术语在多个来源中含义不一致,平台不是简单按相似度挑一个,而是按预设规则仲裁:以主数据或指标平台的正式定义为优先,其次按业务域划归,冲突未解决时向请求方标注歧义并给出可选口径。这一步把"AI 猜"变成"AI 按企业规则取"。

上下文源管理:把散落的供给收拢

企业里能提供上下文的东西很多:业务系统、数据仓库、知识库、文档、指标平台、流程引擎。如果每个智能体各自对接,会出现三件事:重复建设、口径不一、权限失控。

上下文源管理把这些供给统一登记:哪个源、谁负责、更新频率、权限范围、可用范围。智能体不直接连源,而是通过统一登记层取用。好处是可审计——某次回答引用了哪些内容,能追溯回具体的源与版本;也可治理——某个源质量差,可以统一下架而不是逐个智能体排查。

为什么这块必须由治理平台做

上下文与记忆的治理,本质上是在维护一套企业级的语义秩序。它需要跨系统、跨部门、跨时间的协调能力,单个智能体的开发者没有这个视野,也没有这个权限。

判断自己企业的上下文治理做到哪一步,可以用四个问题自查。第一,同一个指标在不同智能体里的定义一致吗?如果三个智能体给出三个数,说明口径层没有统一。第二,制度类知识有版本管理吗?旧制度是失效还是与新版并存,检索时会不会挑错。第三,新知识怎么进入系统?如果全靠手工导入,说明缺少晋升路径,一线经验沉淀不下来。第四,出了问题能不能追溯来源?一条错误回答,能不能查出它引用了哪份文档的哪一版。

四个问题全部答"能",说明语义秩序已经建立;有一个答不上来,就说明还处在靠人盯的阶段。这个自查不需要工具,问一圈业务和 IT 就能得到答案,但答案往往不太好看。

工程上还要注意上下文的成本。把全部文档无差别灌入检索库,看似省事,实际会带来两个后果:检索噪音大,模型注意力被无关内容稀释;存储与计算成本高,而且随文档增长线性上升。更合理的做法是按稳定度分层、按业务域分区、按使用频次设置索引优先级,把有限的上下文窗口留给真正相关的材料。

用友 YonAIG 企业AI治理与运营平台 把这套机制作为六大治理域之一独立建设,正是因为它不是某个应用的附属功能。企业AI 想从"能答"走到"答得对、答得一致",靠的不是更大的模型,而是更清楚的语义边界。模型决定上限,上下文决定下限,而企业真正每天都在用的,是下限。