这篇文章探讨了如何用Schema规范智能体记忆系统，避免信息膨胀与结构混乱，提升知识图谱的可用性。
核心内容：
1. 传统智能体记忆系统的规模膨胀与结构问题
2. 基于Schema约束的实体、关系与时间解析方法
3. 从最小Schema开始建模并逐步优化的实践路径

用 Schema 约束智能体记忆

记忆系统规模膨胀

大多数智能体系统都把记忆作为优化目标，通常需要考虑的问题是如何限制记忆的规模，或者更准确地说，如何从一开始就避免存储不该存储的信息，而不是基于LLM识别的记忆内容无限制的膨胀。

默认的智能体记忆流水线会向 LLM 提供原始文本，并要求 LLM 提取实体与关系，然后模型会自行决定实体类型、标签和属性。

最终得到的知识图谱也无法投入生产使用。实体类型退化为泛化标签，关系被扁平化为单一的 RELATES_TO。图谱里确实包含数据，但任何查询都很难精确命中需要的信息。

先定义约束，再写入记忆

这并不是单纯的检索问题，而是结构问题。解决方法与 AI 技术栈中许多环节已经验证过的模式一致：在生成之前约束生成空间，而不是在生成之后再修补结果。

•实体定义了智能体可以记住什么。带有类型化字段和描述性文档字符串的 Pydantic 模型，可以用明确的领域词汇表替代 LLM 的自由猜测。•边定义了实体之间允许建立什么关系。关系类型的源节点/目标节点约束意味着图谱只能形成有效连接。如果 Schema 中没有连接“项目”和“竞争对手”的边，这类关系就无法写入记忆。•时间解析用于区分过去为真的事实与现在仍然为真的事实。事实消解则会让过期关系失效，同时保留历史记录，因此图谱不会在无声无息中停留在过时状态。

Pipeline 的关键抽取环节

这种基于Schema的记忆系统会引导 Pipeline 中两个关键环节：实体抽取和事实抽取。可以自定义系统需要查找和记住的内容，解析、去重、冲突检测和时间窗口处理可以在下游自动完成，而不是让模型在开放空间里自由发挥。

从最小 Schema 开始

⚡ 建模约束

一个有用的约束是：限制实体类型数量，限制边类型数量，限制每种类型的字段数量。

这种schema约束的记忆系统迫使你只为真正重要的 80% 信息建模，而不是追求一开始就覆盖所有情况。先从最简单的 Schema 开始，只有当实际检索或召回失败时，再考虑扩展实体、关系或字段。