LinkedIn记忆系统设计指南：AI认知Agent的架构与优化
当AI在每次对话中都表现得如同初次见面，你会作何感受？对于简单的单轮问答，这或许可以接受；但在需要持续追踪与深度协作的复杂任务中，这种“记忆缺失”便成为AI从被动工具进化为主动伙伴的核心瓶颈。LinkedIn在构建其生成式AI应用体系时，精准洞察了这一关键挑战，并提出一个极具前瞻性的解决方案：为AI设计一套专用的“记忆架构”。
从无状态到有记忆
大语言模型本质上是无状态的，会话结束，上下文即被清空。这对于追求深度个性化与连续协作的智能体而言，构成了根本性限制。为此，LinkedIn研发了“认知记忆智能体”（Cognitive Memory Agent, CMA）。你可以将其视作一个介于上层应用智能体与底层大模型之间的共享记忆中间层。
CMA的引入，使得智能体无需再通过冗长的提示词来复述过往交互。它实现了记忆的持久化存储、高效检索与动态更新。这不仅保障了跨会话的连续性、降低了冗余计算，更重要的是，它使AI能够在用户画像持续演化的真实业务场景中，实现真正意义上的个性化适应与学习。
目前，CMA的核心应用场景是LinkedIn面向招聘者推出的首款AI智能体——招聘助手。该助手能协助完成候选人搜寻、撰写InMail、初步简历筛选等重复性工作。而要让这些功能超越基础自动化，展现出真正的“智能”，记忆系统是不可或缺的基石。
三层记忆架构
CMA将记忆系统性地组织为多种类型，其中三类构成了长期记忆的核心支柱：
情节记忆，负责记录带有时间戳的详细交互历史，使智能体能“回溯”具体事件。例如，某位招聘经理上周联系了哪些特定背景的候选人，以及收到了何种回复。
语义记忆，则更进一步，它从大量交互中抽象出结构化的用户知识与隐性偏好。例如，系统可能自动识别出某位招聘者长期倾向于录用拥有高成长性初创公司经验的候选人，即便这一偏好从未被明确表述。
程序记忆，编码的是已习得的工作流程与行为模式。它决定了智能体“如何执行任务”，包括特定用户偏好的操作路径和已验证有效的任务解决策略。
这三层记忆协同运作，共同推动智能体从单轮应答的聊天机器人，演进为具备纵向学习与自适应能力的协作系统。正如LinkedIn工程师Xiaofeng Wang所强调的：“记忆是构建生产级智能体过程中最具挑战性也最具价值的部分。它使得深度的个性化、跨会话的连续性以及规模化的适应能力成为可能。”
检索即推理
CMA的检索层设计颇具匠心。它并非简单的向量搜索封装，而是一个轻量级的智能体编排器。当接收到自然语言查询时，它会首先生成一份“检索计划”：决策从哪一层记忆获取信息、以何种顺序检索、如何融合多源信号，最终才合成回答。
这个编排器运行在开源大模型之上，将规划、记忆工具调用与最终响应生成整合进同一个推理循环。面对复杂查询，它可能会依次调用多个记忆提供器，逐步细化，综合研判。这意味着，检索本身已演变为一种推理过程，而不仅仅是简单的关键词匹配与信息召回。
从工程实现看，CMA还内置了完整的记忆生命周期管理机制：短期相关性依赖近期上下文，长期历史通过语义搜索获取，而存储增长则通过“记忆压缩”策略进行控制。这些机制共同应对着核心工程挑战：如何确保信息检索的相关性排序、有效管理过期数据，并维护持续演进的用户上下文的一致性。
多智能体协作中的共享基底
在多智能体系统中，CMA的价值更为显著。在传统架构下，负责规划、推理、执行的不同智能体往往状态隔离，难以共享信息，容易导致冗余计算与协调冲突。CMA提供了一个可供所有智能体访问的共享记忆基底，极大减少了状态重复，提升了跨智能体协作的一致性，确保了在分布式工作流中输出结果的连贯性。LinkedIn杰出工程师Karthik Ramgopal一语中的：“优秀的智能体AI不是无状态的：它记忆、适应、积累。让这一切得以实现的关键能力，正是那些能够突破单次上下文窗口限制而持久存在的记忆系统。”
持久化记忆的工程代价
当然，构建持久化记忆系统本质上是一个复杂的分布式系统问题，其核心挑战在于三个边界：存储内容的粒度、检索的触发时机、以及过期数据的处理策略。这些决策直接关系到系统的准确性与可靠性。正如一位MLOps工程师所言：“缓存失效是计算机科学中的经典难题。在从交互中提取记忆时，如何准确界定情节边界、判断信息是否失效、处理潜在冲突，都是显而易见的挑战。”
尤其在招聘这类高风险决策场景中，LinkedIn采取了审慎的部署策略，在关键工作流中嵌入了人工校验环节。这种人机协同模式，确保了在强大记忆能力加持下，AI的输出最终仍能与用户的真实意图及严格的业务规范保持对齐，有效规避因“记忆偏差”可能引发的潜在风险。
纵观全局，CMA揭示的是一场正在发生的、根本性的AI系统架构演进：从无状态的生成模型，转向有记忆、能持续适应的智能体设计。通过将记忆外化为独立的基础设施层，LinkedIn将CMA定位为一个水平化平台——它不再是某个单一业务的附属功能，而是所有需要适应性、个性化与协作能力的智能体系统的通用底座。
这或许也预示着一个日益清晰的行业趋势：未来生产级AI系统的核心竞争力，将不仅取决于底层模型的性能，更取决于围绕模型所构建的记忆管理、上下文工程与基础设施层的成熟度与稳健性。谁能率先在这些“系统软实力”上建立深厚根基，谁就能引领AI从高效的工具，蜕变为真正理解你、适应你的业务伙伴。