WorkBuddy 记忆管理与上下文持久化机制：防上下文腐化、长期偏好萃取与缓存优化

解密 WorkBuddy 跨会话长期记忆与短会话上下文滑窗的协同架构，解析基于向量数据库的增量事实沉淀机制、会话历史动态修剪算法（Pruning）以及避免提示词注意力分散的最佳实践。

1. 记忆断层与上下文腐化：大模型办公的核心痛点

在长时间、跨周期的企业项目推进过程中，传统 AI 往往遭遇两大死穴：
1. 记忆断层：新开会话后，模型立刻遗忘昨天的讨论背景、已确定的产品架构以及用户的个人偏好，迫使用户反复上传背景文档。
2. 上下文腐化（Context Rot）：在单一会长会话中不断堆叠内容，导致上下文窗口逼近上限。此时模型不仅响应延迟激增，而且会出现严重的「注意力漂移（Attention Drift）」与「迷失在中间（Lost in the Middle）」现象，把前期的关键约束遗忘或扭曲。

腾讯 WorkBuddy 针对这一工程难题，设计了「短程动态滑窗缓存 + 长期结构化记忆向量库」的双轨记忆中枢，实现了跨项目、跨周期的无缝记忆持久化。

2. 双轨记忆中枢的技术实现逻辑

### 短程会话：动态滑窗与 AST 语法树剪枝（Context Pruning）
在单次任务执行中，WorkBuddy 并不会无脑将几万字的历史交流记录完整发给模型。
1. 增量摘要生成：系统后台的轻量级摘要 Worker 会在会话达到预设阈值时，自动将已完结的前置步骤（如初步的网页抓取日志、错误重试过程）压缩为精简的因果事实链条。
2. 无效噪声修剪：移除冗余的格式性寒暄、中间调试报错堆栈与重复代码片段，仅保留最新有效的变量定义与最终交付物指针，确保主推理 Agent 始终处于注意力聚焦的高敏状态。

### 长期知识：离线事实沉淀与向量检索（Fact Extraction）
当一个重要项目完成或用户明确下达偏好指令时，WorkBuddy 触发长期记忆沉淀机制：
1. 实体关系抽取：系统分析会话内容，自动提炼出「用户姓名/职务」、「企业主营业务与核心竞品」、「常用技术栈」、「固定排版要求」等结构化键值对（Key-Value Pairs）。
2. 本地嵌入与加密存储：提炼出的长期记忆在本地生成向量嵌入（Embedding），存储于本地隔离的 SQLite/向量数据库中，不经由云端共享，完全保障隐私安全。
3. 语义相关性自适应召回：当用户在数周后发起新任务提及相关实体时，WorkBuddy 自动通过语义相似度算法，将沉淀的知识碎片作为前置背景精准注入上下文，实现「心有灵犀」的无感续接。

3. 记忆管理最佳实践：保持 Agent 大脑清爽的四大法则

1. 定期审查与清洗记忆档案：
在 WorkBuddy 偏好设置中的「记忆管理中心」，可以直观查看系统自动沉淀的记忆标签。对于已过期的临时偏好（如「本周重点关注竞品A」），应及时手动删除，避免干扰未来的战略判断。
2. 善用指令强制更新记忆：
当企业战略或品牌规范发生变更时，可直接向 WorkBuddy 发出显式命令：「请更新你的长期记忆：从今天起，我们的海外品牌名称统一更名为 TechForward，旧名称不再使用。」系统会精准覆盖旧词条。
3. 针对性开启临时会话模式：
处理一次性、高噪点的数据清洗任务（如清洗数万条无序用户反馈）时，务必点击开启「临时任务模式」。在此模式下产生的所有垃圾数据均不会沉淀至长期记忆库中。
4. 结构化归档大型项目交付物：
对于大型复杂项目，建议督促 WorkBuddy 在项目完结时生成一份独立的 Markdown 格式《项目事实底表与结论归档》，并将其保存至本地工作区作为独立的本地知识库供未来挂载引用。