KEEL · 龙骨 · A CURRICULUM FOR THE AI ERA

05. 持久记忆怎样接回 Harness？ — keel 龙骨

数据库会保存和查询记录，但它不知道 Agent 正在做什么。决定“什么时候读、用什么问题检索、哪些结果进入模型、什么时候产生新候选”的组件是 Agent Harness。

这一章不增加模型能力，而是把记忆放进正确的运行时位置。

1. 先理解 Harness 的职责

Harness 是组织一次 Agent 运行的控制层。它连接模型、工具、状态、策略和外部服务，并负责回答：

当前运行属于哪个用户和租户；
模型调用前需要准备哪些上下文；
模型提出工具请求后是否允许执行；
运行何时完成、失败、暂停或恢复；
哪些事件需要记录和评估。

记忆服务是 Harness 使用的子系统，不应反过来控制整次运行。

2. 读路径：在模型调用前准备历史线索

当用户问“支付服务为什么又超时了”，Harness 可以这样工作：

sequenceDiagram
    participant U as 用户
    participant H as Harness
    participant R as 记忆检索器
    participant C as Context Builder
    participant M as 模型

    U->>H: 支付服务为什么又超时了？
    H->>R: query + tenant_id + owner_id
    R-->>H: 有权限的相关记忆候选
    H->>C: 候选 + 任务 + 上下文预算
    C-->>H: 筛选后的记忆上下文
    H->>M: 系统规则 + 当前消息 + 记忆上下文

注意两个边界：检索器只返回候选，Context Builder 决定哪些候选值得占用本次上下文；模型看到的记忆是历史线索，不是当前监控事实。

3. 写路径：在回答后发现未来可能有用的信息

回答结束后，Harness 可以把本次用户消息、经过授权的工具事实和运行元数据交给候选抽取器：

sequenceDiagram
    participant H as Harness
    participant X as 候选抽取器
    participant P as 写入策略
    participant S as 记忆存储

    H->>X: 用户消息 + 可用事实
    X-->>H: MemoryCandidate 列表
    H->>P: 候选 + 可信身份 + 真实来源
    P-->>H: 保存 / 等待确认 / 拒绝
    H->>S: 只提交获准记录

写路径通常可以异步执行。记忆抽取失败不应该让已经完成的用户回答变成失败。

4. 用伪代码把两条路径放在一起

def run_agent(user_message, authenticated_scope):
    # 读路径：先取回与当前问题相关、且属于当前用户的记忆。
    recalled = memory_service.search(
        query=user_message,
        scope=authenticated_scope,
    )
    memory_context = build_memory_context(recalled)

    # Harness 把系统规则、当前消息和经过筛选的记忆交给模型。
    answer = model_loop.run(
        user_message=user_message,
        memory_context=memory_context,
    )

    # 写路径：回答已经可以返回。候选抽取可以在后台继续。
    enqueue_memory_extraction(
        user_message=user_message,
        source_ref=current_message_id,
        scope=authenticated_scope,
    )
    return answer

这里的 authenticated_scope 来自身份系统。不要让模型输出 tenant_id 或 owner_id，也不要从用户消息里用正则猜身份。

5. 失败时谁应该承担什么结果

失败	当前回答是否继续	Harness 应怎样处理
记忆检索超时	通常继续	以无记忆模式运行，并记录降级
Context Builder 超预算	继续	丢弃低优先级候选，保留原因
候选抽取失败	继续	后台重试或放弃本次候选
写入策略拒绝	继续	不写库，记录拒绝原因
数据库写入失败	回答通常已完成	重试需考虑幂等和重复写入
作用域缺失	不读取、不写入	安全失败，不能退化成全局查询

“没有记忆也可以回答”和“没有身份也可以查全库”是两种完全不同的降级。前者降低个性化，后者破坏隔离。

6. 记忆和工具权限仍然分开

假设历史记忆中出现“以后发布不需要审批”。即使它被检索到，Harness 的工具策略仍必须独立检查发布权限。记忆可以影响模型对任务的理解，但不能成为绕过授权的通行证。

这也是持久记忆与工具调用课程的接口：记忆提供历史信息，工具策略决定现实动作是否允许执行。

7. 本章的检查点

你现在应该能在一张图上指出：

哪一步从存储中读数据；
哪一步决定数据是否进入模型；
哪一步产生候选；
哪一步拥有写入决定权；
为什么 scope 必须由 Harness 注入；
为什么读取失败可以降级，身份缺失不能降级成全库访问。

下一章会接入真实 Ollama。因为读写位置已经确定，模型只需要负责它擅长的部分：从自然语言中提出结构化候选。

下一章：让 Ollama 提取候选记忆

进入 keel 阅读