有没有遇到过这样的情况：跟智能体聊了半天，它突然又问“你是谁？”，好像之前的一切对话都从未发生过。这种“健忘”在技术层面，通常指向一个核心问题——用户画像记忆功能没有配置好，或者说，根本没配置。

这是个很现实的问题。智能体如果不能持续“记住”你是谁、你做过什么、你喜欢什么，那它本质上就只是一个问一句答一句的“对话机器人”，离“智能助手”还差得远。接下来的内容，就是一套从底层到应用层、从长期到短期的完整方案，专门解决这个“认人”的问题。

一、启用长期记忆并绑定用户维度存储

说白了，长期记忆就是让智能体记住你的“基本功”。没它，每次对话都是“初次见面”。它背后的逻辑是把用户身份、设备标识、行为偏好这些关键信息，映射到一个独立的数据库里，每次请求时自动把上下文带进来，让智能体始终知道“对面是谁”。

具体的操作路径是这样的：

第一步，进入MaxKB v2.9.0的智能体配置页面，在“记忆管理”模块里，把长期记忆的开关打开。这一步不难，但很容易被忽略。

第二步，在“用户维度绑定”选项里，选择“按用户ID自动隔离”。这个设置很关键——它保证不同用户的记忆数据是物理隔离的，张三的记忆不会混到李四的对话里，互不干扰。

第三步，也是容易出错的一步：在系统提示词里，找到role为system的消息，在最前端插入变量{memory}。注意，这个变量必须独立成行，不能跟其他指令混在一起写，否则可能不生效。

配置完成后怎么验证？很简单，先给智能体发一条带有身份标识的消息，比如“我是张伟，注册手机号138****1234，常用城市是深圳”。然后隔几轮对话，再问它“我的名字和城市是？”。如果它能准确复述，那说明长期记忆已经成功激活。

二、配置分层短期记忆快照

长期记忆管的是“你是谁”，短期记忆则负责“你现在想干什么”。它捕捉的是当前会话周期内的实时状态——比如用户临时修改的偏好、突发性的需求、或者上下文中的敏感意图。它的价值在于弥补长期记忆更新延迟的问题，形成一个“8轮内有效”的轻量级画像快照。

配置起来也不复杂：

在智能体工作流节点中，添加一个“短期记忆快照”组件，设置保留轮次为8轮，超过自动清空。需要捕获的画像字段包括：当前设备类型（iOS/Android/Web）、输入语言（zh-CN/en-US）、活跃时段（morning/afternoon/night），以及最近三次点击的工具类型。

在每轮用户输入前，由前置节点自动把快照内容拼接好，格式类似：[快照]设备:iPhone15;语言:zh-CN;时段:evening;工具:知识库检索。

验证的方法也很直观：连续发三条不同语言的请求——中文、英文、中文。观察智能体在第三条响应中，是否还能维持中文输出的习惯。如果它没有因为中间插了一条英文就切换成英文回复，就说明短期快照在起作用。

三、接入外部用户向量库进行画像增强

如果说前两步解决的是“单设备、单会话”的记忆问题，那外部向量库要解决的，就是“跨设备、跨会话”的画像关联。它的思路是把用户行为日志通过语义建模转化为稠密向量，这样即使不是同一个设备登录，系统也能通过向量相似度把用户“认出来”。

具体操作：先在MaxKB平台的“资源中心”里创建一个用户向量库实例，建议选择Sentence-BERT作为嵌入模型。然后把用户的注册信息、历史对话摘要、工具使用频次等结构化数据批量导入，生成每个user_id对应的唯一向量。

接着，在智能体推理链路中启用“向量画像检索”功能，设定相似度阈值为0.68。当新的用户请求进来时，系统会去向量库中匹配，如果命中，就把匹配到的画像信息注入到提示词末尾，格式为“[画像]:职业=产品经理;倾向=图文优先;禁忌=不提竞品名称”。

怎么测试？在手机端完成一次“偏好设置”对话后，立刻用网页端发起一个新会话，问它“我上次说喜欢哪种报告形式？”。如果它还能返回“图文形式”，那就说明跨设备的画像关联已经打通了。这个效果，才是真正意义上的“认得你”——不管你换什么设备。

四、嵌入128维用户状态向量

这是一种更底层的技术方案。它的做法，是把用户的身份元数据压缩成一个固定维度的稠密向量，直接塞到Transformer输入序列的起始位置。这样一来，模型在token级别就能感知到用户的本质特征，避免用自然语言描述带来的歧义和漂移。

需要定义四项必填元数据字段：用户ID哈希值、注册时长（天）、高频交互工具类别、平均响应等待时长（秒）。然后使用MaxKB内置的编码器，把这些字段映射为一个128维的浮点向量。这个向量生成后是固定的，不能人工修改。

在模型输入层，把这个向量作为第一个特殊token插入，位置编号为0。为什么要放在0号位？因为注意力机制会优先关注序列起始位置的信息，这就确保了用户状态特征能被模型优先处理。

验证方法也很巧妙：向智能体发送“我等了好久”。如果系统中记录的平均等待时长字段值大于120秒，它应该触发安抚语句“已为您加速处理”；如果等待时长较短，则不会有这个响应。通过这种触发式效果，就能判断向量是否真的注入了模型决策过程。

五、设置关键词触发式画像唤醒机制

这是最后一个环节，但也是实际应用中非常实用的一步。它的逻辑很简单：当用户输入中间出现了特定关键词，系统就主动唤醒对应的画像片段。这种方式的优点是开销低、精度高，特别适用于用户主动声明身份或切换角色的场景。

配置方法：在“画像唤醒规则”中新增一条规则，触发词可以设置为“我是老用户”“用过三年”“还记得我吗”。当这些词出现时，系统加载全部长期记忆，再加上最近5条短期快照。

还可以进一步优化信任值逻辑：当同一个用户连续3轮触发唤醒词，且智能体的响应准确率≥95%，系统会自动把这个用户的画像置为“高信任等级”，并将向量检索阈值放宽到0.62。这样后续的画像检索会更灵敏。

测试时，直接在用户输入中嵌入触发词组合，比如“还记得我吗？我是老用户，用过三年”。观察智能体是否调出了历史的工单编号或偏好模板。如果没有响应，检查触发词是否被过滤——常见的问题包括输入中夹杂了表情符号、全角空格或URL链接，这些元素会导致关键词匹配失败。

把这五个环节都走通，智能体的“记忆体系”才算真正成型。它不再是那种聊三句忘一句的“金鱼脑”，而是一个能持续理解用户、记住用户、服务用户的成熟助手。这才是智能体该有的样子。