12｜记忆底座实施方案：百炼记忆机制对标与 mem0 落地（#21）

一句话：对标百炼记忆库（长期记忆 2.0）机制，基于 mem0 + Qdrant + 自建补强 落地企业级记忆底座——事实记忆、用户画像、技能记忆三类记忆 + 异步提取 + 白盒观测审计，闭环"对话 → 提取 → 检索注入 → 更好对话"的数据飞轮。状态：设计审核稿（2026-10-26），尚未实证；实证计划见第八、九章前置：10 篇选型（Memory → mem0 + Qdrant）；11 篇知识库落地实证（同专栏，复用其模型供应/服务化模式） 生产链路：Agent → Higress → AuthZ/Credential Broker → Memory Service → mem0/Qdrant。记忆服务不得直接暴露给 Agent；user_id 必须由签名身份上下文派生，不能信任请求体自报。详见 05-AI基础设施架构审核与生产收敛.md。

一、百炼记忆库机制精读（对标基准，2026-10 官方口径）

百炼记忆库是长期记忆功能的全面升级版，核心叙事四句话：自动提取与持久化、动态更新机制、精细化遗忘控制、白盒化的记忆配置。

1.1 三类记忆（提取产物，非对话原文）

记忆类型	提取来源	存储形态	适用场景	示例
事实记忆（observation）	对话内容自动提取关键事件/信息片段	记忆节点（memory_node），内容经模型改写	动态事件信息	"用户每天上午9点需要喝水提醒"
用户画像（user_profile）	基于自定义模板（profile_schema）提取结构化属性	画像模板 × 字段值	固定用户属性	年龄、职业、爱好
技能记忆（skill）	从可复用轨迹（tool_calls）归纳任务方法	技能节点（名称/描述/内容）	相似任务复用	"如何用 MCP 检索企业知识库"

关键语义：AddMemory 不把输入原文当存储单元——对话输入被抽取为多条观察型节点，内容经过改写；custom_content 输入则保留为一条节点。写入后核对必须以 ListMemory 返回为准。

1.2 "设置记忆提取" = 记忆规则配置（白盒）

每个记忆库最多 50 条事实记忆规则 + 50 条用户画像规则，预置"默认项目"事实规则（180 天，可编辑不可删）：

事实记忆规则：

参数	说明
规则名称	记忆抽取规则唯一标识
规则指令	定义记忆抽取策略：默认规则指令（推荐）或自定义规则指令
自动更新	开启后模型自动更新已有记忆（内置冲突解决）；默认开启
记忆过期时间	7 天 / 30 天 / 180 天 / 永不过期
记忆抽取策略版本	Pro（¥0.03/次，开启 Rerank）或 Lite（¥0.018/次）

用户画像规则（逐字段定义，引导模型提取）：

参数	说明
字段名称	抽取出的画像包含哪些字段（语义化，便于标签提取/聚合）
描述	该字段含义的自然语言描述，提示模型提取
初始值	用户尚未提供信息时的默认值
抽取策略版本	Pro / Lite

1.3 提取与检索机制（工程实现基准）

提取是异步的：AddMemoryAsync 立即返回 event_id，GetEvent 轮询终态（PENDING → RUNNING → SUCCEEDED/FAILED）；CLI 实测写入 20-35 秒、读取 0.8-0.9 秒——差一个量级，调用侧需区分超时策略
检索入参：SearchMemory 用 messages（对话记录）做语义检索 + top_k（最大召回）+ min_score（Pro 版最小分数阈值，默认 0.3）
检索优化项（官方 FAQ）：相似度阈值建议 0.5~0.7、开启"意图判别召回"、开启"改写"和"排序"、合理设置最大召回数量
隔离：百炼以 user_id（记忆实体）为维度隔离，也支持 project_id 多项目并行抽取（最多 5 个）。这是产品侧记忆实体口径，不能直接当作企业授权：自建时必须在其上增加 tenant_id 与来源可信校验
限流：全部接口 3000 QPM（账号级）/ add 120 QPM / search 300 QPM
多模态：messages[].content 支持 text + image_url（多模态项目解析图片）
技能抽取：仅解析 tool_calls 工具消息（OpenAI 格式），用于 skill 抽取，其他抽取类型过滤

1.4 API 面（对标基准）

Base：https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v2/apps/memory/，鉴权 Authorization: Bearer <API_KEY>。

事实记忆（9 接口）：AddMemory(POST /add)、AddMemoryAsync(POST /add-async)、GetEvent(GET /events/{id})、ListMemory(GET /memory_nodes)、SearchMemory(POST /memory_nodes/search)、GetMemoryNode(GET /memory_nodes/{id})、GetSkillExport(GET /skill/export/{id})、UpdateMemory(PATCH /memory_nodes/{id})、DeleteMemory(DELETE /memory_nodes/{id})

用户画像（5 接口）：CreateProfileSchema(POST /profile_schemas)、ListProfileSchemas(GET)、GetProfileSchema(GET /{id})、UpdateProfileSchema(PATCH /{id})、GetUserProfile(GET /profile_schemas/{id}/user_profile)

另注意：百炼还有长期记忆（旧版）的"记忆片段 + 记忆变量"模型——记忆变量是键值对（权重高于片段，可模型推理或人工输入），用于校准记忆片段的不完整性。新版记忆库未显式保留此概念，但"结构化字段覆盖"的语义由用户画像承接。

二、我们选型与差距判定（#21 基线）

10 篇选型：Memory 层用 mem0（Apache-2.0，官方 mem0-mcp） + Qdrant（向量存储，payload 多租户）；进阶 Zep/Graphiti 时序知识图谱（后置）。

机制对标结论（敢说）：

#	百炼机制	mem0 落点	判定
M-1	事实记忆自动提取（LLM 抽取 + 改写）	mem0 默认提取器（LLM + 事实抽取 prompt）	✅ 原生对齐
M-2	语义检索（min_score 阈值）	mem0 search + Qdrant score 阈值	✅ 原生对齐
M-3	记忆管理 API（增删改查）	mem0 add/search/update/delete API	✅ 原生对齐
M-4	user_id 记忆实体隔离	mem0 `user_id` 参数 + Qdrant payload 过滤	⚠️ 原生有实体过滤，但 `user_id` 不能作为鉴权依据；必须由网关签名上下文派生
M-5	多项目并行抽取（project_id）	mem0 无原生 → Qdrant payload `project_id` + 查询过滤	⏳ 轻量补强
M-6	记忆过期时间（7/30/180 天）	mem0 无原生 TTL → 定时回收任务（Qdrant 按 created_at 清理）	⏳ 需补（回收器）
M-7	用户画像（模板 + 字段级提取）	mem0 无原生画像 → 自建 `profile_schema` 表 + 字段提取 prompt	❌ 主要补强点
M-8	技能记忆（轨迹归纳）	mem0 无原生 → 自建 tool_calls 轨迹抽取（可借 LangMem procedural）	❌ 主要补强点
M-9	记忆变量（键值对，权重高于片段）	mem0 无原生 → Qdrant payload `variables` 或独立表	⏳ 需补
M-10	异步提取 + 事件轮询（AddAsync/GetEvent）	mem0 同步调用 → 自建任务队列（NATS）+ 状态表	⏳ 工程化
M-11	观测/审计（会话↔记忆变更对照、前后快照）	自建 → 记忆变更表（event + old/new 快照）	⏳ 需补
M-12	白盒规则可视化（记忆规则配置页）	自建管理面 → 挂 HiMarket 门户皮	⏳ 与门户皮一起长
M-13	Pro/Lite 策略版本（Rerank）	mem0 无原生 → Qdrant 检索后接 reranker（可选）	⏳ 可选增强

补强模块定级：画像（M-7）、技能记忆（M-8） 是能力空白必须自建；异步提取（M-10）、观测审计（M-11）、过期回收（M-6） 是工程化必做；规则可视化（M-12） 挂门户皮。

三、架构设计：记忆服务（对标百炼记忆库）

3.1 部署拓扑

3.2 组件职责

组件	选型	职责
记忆服务 API	FastAPI（复用 emb-service 模式）	暴露百炼兼容记忆 API 面（add/add-async/events/memory_nodes/profile_schemas/user_profile）
提取队列	NATS（已有 docker-nats-1）+ 状态表	异步任务：提交 → PENDING → RUNNING → SUCCEEDED/FAILED，event_id 轮询
事实提取器	mem0 默认提取器	LLM 从对话抽取观察节点（改写内容，非原文）
画像提取器	自建	按 profile_schema 字段定义，LLM 结构化提取属性
技能归纳器	自建（+ LangMem procedural）	从 tool_calls 轨迹归纳技能节点
身份/授权	Higress + AuthZ/Credential Broker	校验 Consumer、订阅、工具白名单；派生 `tenant_id/owner_subject_id`；不信任请求体 `user_id`
向量存储	Qdrant	embedding 存储 + payload 隔离（tenant_id/owner_subject_id/project_id/type/visibility）
元数据	MySQL	画像模板、记忆规则、变更审计、事件状态
embedding	复用 11 篇本地 TEI 服务（bge-m3 1024 维）	记忆向量化（同一套模型，别起第二套）

3.3 隔离与信任模型

text

tenant_id > owner_subject_id > project_id > memory_type > visibility

每一级过滤由 Memory Service 服务端强制注入，客户端只能传“断言”，不能扩大范围；
owner_subject_id 来自 OIDC subject 或受控 Agent 委托身份，不等于请求体 user_id；
visibility 只允许 private / project / tenant，跨用户共享必须显式授权并记录来源；
共享记忆、技能记忆与画像的读取分别授权，不能用“能读事实记忆”推导“能读画像/技能”；
管理员排障需走审批与审计，不能默认拥有全租户明文读取权限。

四、API 设计（对标百炼 14 接口）

4.1 事实记忆

text

POST   /api/v2/memory/add              # 同步添加（轻量场景）
POST   /api/v2/memory/add-async        # 异步提交（推荐，返回 event_id）
GET    /api/v2/memory/events/{event_id}# 查询提取任务状态/结果
GET    /api/v2/memory/memory_nodes     # 分页列出记忆（ListMemory）
POST   /api/v2/memory/memory_nodes/search  # 语义检索
GET    /api/v2/memory/memory_nodes/{id}    # 单节点详情
GET    /api/v2/memory/skill/export/{id}    # 导出技能节点
PATCH  /api/v2/memory/memory_nodes/{id}    # 更新记忆
DELETE /api/v2/memory/memory_nodes/{id}    # 删除记忆

4.2 用户画像

text

POST   /api/v2/memory/profile_schemas     # 创建画像模板
GET    /api/v2/memory/profile_schemas     # 模板列表
GET    /api/v2/memory/profile_schemas/{id}# 模板详情
PATCH  /api/v2/memory/profile_schemas/{id}# 更新模板
GET    /api/v2/memory/profile_schemas/{id}/user_profile  # 获取用户画像

4.3 核心请求/响应（对齐百炼语义）

json

// 异步添加记忆（对齐百炼 AddMemoryAsync）
POST /api/v2/memory/add-async
{
  // user_id 仅为“断言”，服务端必须与签名上下文一致；不一致直接 403
  "user_id": "emp_001",
  "project_ids": ["project_kb"],
  "messages": [
    {"role": "user", "content": "我偏好用中文回复，每周一需要生成周报。"},
    {"role": "assistant", "content": "好的，已记录。"}
  ],
  "profile_schema": "schema_emp_basic",
  "meta_data": {"dept": "platform"}
}
// 响应：{"event_id": "evt_xxx", "status": "PENDING"}

// 查询事件
GET /api/v2/memory/events/evt_xxx
// {"status": "SUCCEEDED", "result": [{"memory_node_id": "...", "content": "用户偏好中文回复", "event": "ADD"}]}

// 语义检索（对齐百炼 SearchMemory）
POST /api/v2/memory/memory_nodes/search
{
  "user_id": "emp_001",
  "messages": [{"role": "user", "content": "帮我写这周的周报"}],
  "top_k": 5,
  "min_score": 0.3
}

身份约束：tenant_id、owner_subject_id、consumer_id 一律从已签名上下文派生，不放在请求体、不接受客户端覆盖。请求体中的 user_id/project_ids 只作一致性断言；Agent 委托场景使用平台签发的委托令牌，不能直接冒用员工 user_id。

五、补强模块设计（自建部分）

5.1 用户画像（M-7，核心补强）

sql

-- 画像模板表
CREATE TABLE profile_schema (
  id            VARCHAR(32) PRIMARY KEY,
  tenant_id     VARCHAR(64) NOT NULL,
  name          VARCHAR(64) NOT NULL,
  description   VARCHAR(256),
  extract_scene VARCHAR(16) DEFAULT 'efficient',
  visibility    VARCHAR(16) NOT NULL DEFAULT 'private', -- private / project / tenant
  owner_subject_id VARCHAR(64) NOT NULL,
  created_by    VARCHAR(64) NOT NULL,
  created_at    DATETIME DEFAULT CURRENT_TIMESTAMP,
  UNIQUE KEY uk_tenant_name (tenant_id, name)
);

-- 画像字段表（逐字段定义，引导模型提取）
CREATE TABLE profile_attribute (
  id            VARCHAR(32) PRIMARY KEY,
  schema_id     VARCHAR(32) NOT NULL,
  name          VARCHAR(64) NOT NULL,
  description   VARCHAR(256),
  init_value    VARCHAR(128),
  is_reasoning  TINYINT DEFAULT 1,   -- 是否模型推理自动更新
  sort          INT DEFAULT 0
);

-- 用户画像值表（user_id × 字段）
CREATE TABLE user_profile (
  tenant_id     VARCHAR(64) NOT NULL,
  schema_id     VARCHAR(32) NOT NULL,
  subject_type  VARCHAR(16) NOT NULL DEFAULT 'human',  -- human / agent
  subject_id    VARCHAR(64) NOT NULL,                  -- OIDC subject 或受控 Agent 身份
  attr_name     VARCHAR(64) NOT NULL,
  attr_value    VARCHAR(256),
  updated_by    VARCHAR(64) NOT NULL,
  updated_at    DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (tenant_id, schema_id, subject_type, subject_id, attr_name)
);

提取逻辑：add-async 任务中，若请求带 profile_schema，先校验该 schema 属于当前 tenant_id 且调用者有权使用；再由画像提取器按字段定义构造 prompt，异步回填 user_profile。禁止跨租户复用 profile_schema，禁止把 Agent 推断值写成人类 subject_id 的属性；敏感字段需按策略脱敏或拒绝提取。

5.2 技能记忆（M-8，核心补强）

数据源：agentscope / opencode 轨迹中的 tool_calls（OpenAI 格式）+ 任务结果。

字段	说明
skill_node_id	技能节点 ID
tenant_id / owner_subject_id / project_id	归属与隔离；租户必须由签名上下文派生
skill_name	归纳出的技能名称
skill_description	技能描述
skill_content	可复用方法/步骤（LLM 归纳）
source_trajectory	来源轨迹引用（可溯源）
tags	标签数组
visibility	private / project / tenant；默认 private，不跨用户共享
trust_level	来源可信度（人工确认 / 自动归纳 / 外部导入）
review_status	draft / pending_review / approved / rejected；发布到市场前必须审核

归纳流程：轨迹 → LLM 归纳（任务目标 + 工具调用序列 + 结果 → 技能名称/描述/步骤）→ 冲突与敏感内容检查 → 向量化存 Qdrant（type=skill）→ 人工审核通过后才可发布/导出。技能记忆属于可执行知识，默认不跨用户共享，避免把个人习惯或恶意步骤扩散为组织能力。

5.3 异步提取与事件轮询（M-10）

text

任务状态：PENDING → RUNNING → SUCCEEDED / FAILED
表：memory_task（event_id / tenant_id / owner_subject_id / project_ids / idempotency_key /
                messages_ref / status / attempt / next_retry_at / error_code / result_ref / created_at）
队列：NATS JetStream（持久化）+ 消费组；subject "memory.extract"
去重：tenant_id + idempotency_key 唯一约束；重复提交返回同一 event_id

必须补齐的工程约束：

幂等：同一 idempotency_key 只产生一个任务与一组记忆节点；worker 重投递不重复写入；
可靠投递：业务表写任务与发消息用 outbox（或事务消息）；消费失败按指数退避重试，超过上限进入 DLQ 并告警；
毒消息隔离：解析失败/超大消息/异常轨迹进入隔离区，不阻塞主队列；人工可重放；
成本预算：按租户/项目设置抽取 token 与调用次数预算；超限降级为“只存原文摘要”或拒绝，避免长对话拖垮账单；
长对话：按窗口分段抽取并做跨段去重/合并；禁止把整段超长对话一次性塞给模型；
调用侧规范：写入类 20-35 秒量级，重试前先 GetEvent 确认是否已落库，避免重复抽取产生冗余节点。

5.4 观测审计（M-11）

sql

-- 记忆变更审计（前后快照）
CREATE TABLE memory_audit (
  id             BIGINT AUTO_INCREMENT PRIMARY KEY,
  tenant_id      VARCHAR(64) NOT NULL,
  owner_subject_id VARCHAR(64) NOT NULL,
  actor_id       VARCHAR(64) NOT NULL,       -- 人类 subject / Agent 委托身份
  service_id     VARCHAR(64) NOT NULL,       -- 调用方工作负载
  trace_id       VARCHAR(64) NOT NULL,
  request_id     VARCHAR(64) NOT NULL,
  memory_node_id VARCHAR(32),
  event          VARCHAR(8),      -- ADD / UPDATE / DELETE
  old_content_hash CHAR(64),       -- 原文不落审计表，按合规策略存加密快照
  new_content_hash CHAR(64),
  source         VARCHAR(64),      -- conversation / api / connector / admin
  reason         VARCHAR(256),
  created_at     DATETIME NOT NULL
);

审计约束：

审计事件必须可按 tenant_id + owner_subject_id + trace_id 关联到一次请求，禁止只记 user_id；
审计表采用只追加模型，应用账号无 UPDATE/DELETE 权限；通过独立归档/对象锁满足不可篡改；
审计保留期与业务数据删除策略分开：合规保留可冻结，但必须支持 legal hold 白名单与审批；
原文含 PII 时不直接落审计表，存加密快照或哈希；查询面按角色脱敏；
观测面：会话 ↔ 记忆变更对照；审计面：变更事件、前后哈希、调用者、来源与原因。

5.5 过期回收（M-6）

text

规则：事实记忆规则配置过期时间（7/30/180/永不过期）
回收器：定时任务扫描 Qdrant（按 type + created_at + rule_ttl）→ 删除过期节点 + 审计记录

删除语义（必须按“可验证删除”设计，而不是只删一条向量）：

text

状态机：ACTIVE → DELETING → DELETED
                 └→ LEGAL_HOLD（合规冻结，暂停物理删除）
                 └→ FAILED（可重试）

覆盖范围：Qdrant point、MySQL 记忆/画像/任务记录、缓存与派生摘要、检索结果快照、技能导出副本；
删除任务必须幂等，记录 delete_task_id / 影响条数 / 各存储结果 / 完成时间，供用户或管理员验证；
删除完成后再次检索必须为 0 命中；缓存 TTL 不得导致“已删除仍可召回”；
备份与归档按保留策略处理：文档需明确“备份中的副本何时失效”，不能宣称立即物理消失；
LEGAL_HOLD 只允许合规角色设置，必须记录原因、审批人与解除时间；冻结不等于普通删除失败；
审计不可篡改与“删除用户内容”并不矛盾：审计存哈希/加密快照，按法规与保留策略处理。

5.6 记忆投毒与 Prompt Injection 防护（生产必补）

风险	防护
恶意对话写入虚假事实	记录来源与可信度；低可信来源不自动覆盖高可信记忆；冲突进入待确认队列
外部文档/网页注入指令	记忆与检索结果一律视为数据，不作为系统指令；注入检测与内容隔离
技能记忆被投毒	技能默认 private；发布到市场前人工审核；执行前做工具白名单与参数校验
跨用户污染	`tenant_id/owner_subject_id` 强制过滤；共享记忆必须显式授权并标注来源
敏感信息沉淀	写入前 PII/密钥检测；命中策略则脱敏、拒绝或转人工
记忆无限增长	TTL、置信度衰减、去重合并、按项目配额；定期离线评估

记忆不是“可信系统提示”。检索到的记忆必须带来源、时间与置信度，并在上下文中明确标记为不可信数据；任何来自记忆的工具调用或权限变更都必须重新经过授权链。

六、数据飞轮闭环（叙事主线）

闭环验证指标：跨会话上下文连续（同一用户新会话能引用历史偏好）、画像字段随对话更新、技能复用率（同一任务二次执行命中技能记忆）、审计可追溯。生产还必须同时看负向指标：跨租户越权率=0、删除完成率=100%、重复写入率、抽取失败率、DLQ 积压、单用户/单租户抽取成本、记忆冲突率与人工纠正率。

七、实施路线（P0/P1/P2）

优先级	里程碑	交付物	判定
P0-0	网关身份与凭证链	Higress 路由 + AuthZ/Credential Broker + Consumer 校验	伪造 `user_id/tenant_id` 被拒；无凭证直连被拒
P0-1	mem0 服务化 + Qdrant 起栈	记忆服务 API（add/search/update/delete/list）+ Qdrant	事实记忆链路（写入→检索→更新→删除）可重复执行
P0-2	用户画像补强	`profile_schema` 三表 + 画像提取器	租户内模板、字段提取、跨租户拒绝
P0-3	异步提取工程化	add-async + GetEvent + NATS JetStream + outbox + DLQ	幂等、重试、毒消息隔离、成本上限可验证
P0-4	隔离与删除闸门	ACL 过滤 + 删除状态机 + 负向测试集	跨租户/跨用户 0 命中；删除后 0 召回
P1-1	技能记忆	轨迹归纳器 + skill 节点 + 审核流	默认 private；发布需审核；工具白名单生效
P1-2	观测审计	`memory_audit` + 查询面 + 保留策略	按 trace 可追溯；审计只追加；PII 脱敏
P1-3	投毒防护	来源可信度 + 冲突检测 + 注入检测	毒文档/恶意记忆不覆盖高可信事实
P2	门户皮整合	记忆规则配置页 + 观测审计页（HiMarket 管理面）	白盒可视化（M-12）
P2	HA / 容量 / 灾备	Qdrant/MySQL/NATS 高可用、备份恢复演练	达到 SLO；RPO/RTO 有实测
P2	时序图谱（可选）	Zep/Graphiti 接入评估	记忆关系/演进分析

八、实证计划（计划，不是已通过）

当前状态：未实证。下述步骤完成并留下日志/报告后，才能把状态从“设计”改为“POC 通过”；生产通过还需 05 篇的闸门。

8.1 最小链路

环境：Qdrant Docker（6333/6334）；复用本地 TEI embedding（9005）+ MySQL + NATS JetStream；
记忆服务：D:\build\mem-service（venv + FastAPI + mem0 + qdrant-client），参考 11 篇 emb-service 模式；
正向链路：add → add-async/GetEvent → search（带 min_score）→ update/delete → 画像（CreateProfileSchema/GetUserProfile）→ 审计查询；
证据沉淀：本专栏 13 篇（记忆底座实证），沿用“curl + 代码 + 可渲染 mermaid”，同时记录失败与限制。

8.2 必须补的负向与工程验证

类别	用例	通过标准
身份防伪	请求体伪造 `user_id`、`tenant_id`、`project_id`	与签名上下文不一致即 403；不产生写入
跨租户隔离	租户 A 的 Consumer 检索租户 B 的记忆	0 命中；审计记录拒绝
跨用户隔离	同租户 A 用户读取 B 的私有记忆	0 命中；技能默认不可见
删除验证	删除事实/画像/技能后再次 search	所有存储均 0 召回；删除任务状态可查
幂等	同一 `idempotency_key` 重复提交/worker 重投	只产生一组节点；event_id 一致
抽取失败	LLM 超时、限流、返回非法 JSON	重试/退避/进入 DLQ；不写入半成品
毒消息	超大对话、循环 tool_calls、注入文本	隔离且不阻塞主队列；有告警
投毒	恶意记忆尝试覆盖高可信事实	冲突进入待确认；高可信事实不被静默覆盖
成本	长对话/高频写入	触发预算上限时降级或拒绝；账单可预测
审计	任一写入/删除	可按 trace_id 查到 actor/service/source/前后哈希

判定：上述任一项未通过，不得宣称“记忆底座可用”；生产上线还需 HA、备份恢复、容量压测与合规评审。

九、与现有资产的关系

资产	关系
11 篇本地 TEI embedding（bge-m3）	记忆向量化复用同一服务，不另起 embedding
10 篇 RAGFlow	记忆与知识检索并列供给 Agent（10 篇 MEM-1 主线）
04/38 篇 HiMarket MCP 市场	记忆以 MCP Server 形态（mem0-mcp）上架，被 Agent 消费（10 篇 MEM-3）
统一入口网关（08 专栏）	记忆 API 走 Higress（SSO/限流/审计）；`tenant_id/owner_subject_id` 由签名上下文派生，凭证由 AuthZ/Credential Broker 注入；不按请求体 user_id 注入
HiMarket 门户皮	记忆规则配置页 / 观测审计页挂管理面（P2）

生产边界：本方案基于 mem0 社区版（Apache-2.0）+ Qdrant 自托管；画像/技能/审计/删除/投毒防护为自建补强模块。当前仅为设计审核稿，未实证。生产上线前至少需：① Higress + AuthZ/Credential Broker 身份链；② tenant_id > owner_subject_id > project_id > memory_type > visibility 的强制隔离与负向测试；③ 幂等异步提取、DLQ、成本预算；④ 可验证删除与 legal hold 分离；⑤ 不可篡改审计与 PII 脱敏；⑥ 投毒/注入防护；⑦ Qdrant/MySQL/NATS HA、备份恢复与容量压测。百炼记忆库为全托管 SaaS，自托管形态的优势是数据不出域，但不等于自动满足合规。

12｜记忆底座实施方案：百炼记忆机制对标与 mem0 落地（#21） ​

一、百炼记忆库机制精读（对标基准，2026-10 官方口径） ​

1.1 三类记忆（提取产物，非对话原文） ​

1.2 "设置记忆提取" = 记忆规则配置（白盒） ​

1.3 提取与检索机制（工程实现基准） ​

1.4 API 面（对标基准） ​

二、我们选型与差距判定（#21 基线） ​

三、架构设计：记忆服务（对标百炼记忆库） ​

3.1 部署拓扑 ​

3.2 组件职责 ​

3.3 隔离与信任模型 ​

四、API 设计（对标百炼 14 接口） ​

4.1 事实记忆 ​

4.2 用户画像 ​

4.3 核心请求/响应（对齐百炼语义） ​

五、补强模块设计（自建部分） ​

5.1 用户画像（M-7，核心补强） ​

5.2 技能记忆（M-8，核心补强） ​

5.3 异步提取与事件轮询（M-10） ​

5.4 观测审计（M-11） ​

5.5 过期回收（M-6） ​

5.6 记忆投毒与 Prompt Injection 防护（生产必补） ​

六、数据飞轮闭环（叙事主线） ​

七、实施路线（P0/P1/P2） ​

八、实证计划（计划，不是已通过） ​

8.1 最小链路 ​

8.2 必须补的负向与工程验证 ​

九、与现有资产的关系 ​

12｜记忆底座实施方案：百炼记忆机制对标与 mem0 落地（#21）

一、百炼记忆库机制精读（对标基准，2026-10 官方口径）

1.1 三类记忆（提取产物，非对话原文）

1.2 "设置记忆提取" = 记忆规则配置（白盒）

1.3 提取与检索机制（工程实现基准）

1.4 API 面（对标基准）

二、我们选型与差距判定（#21 基线）

三、架构设计：记忆服务（对标百炼记忆库）

3.1 部署拓扑

3.2 组件职责

3.3 隔离与信任模型

四、API 设计（对标百炼 14 接口）

4.1 事实记忆

4.2 用户画像

4.3 核心请求/响应（对齐百炼语义）

五、补强模块设计（自建部分）

5.1 用户画像（M-7，核心补强）

5.2 技能记忆（M-8，核心补强）

5.3 异步提取与事件轮询（M-10）

5.4 观测审计（M-11）

5.5 过期回收（M-6）

5.6 记忆投毒与 Prompt Injection 防护（生产必补）

六、数据飞轮闭环（叙事主线）

七、实施路线（P0/P1/P2）

八、实证计划（计划，不是已通过）

8.1 最小链路

8.2 必须补的负向与工程验证

九、与现有资产的关系