企业官网建设流程全解析

• 人工智能
• AI 应用
• Agent 记忆
• AI Agent
• RAG
• 后端
• 前端
• dsh-plugin

mem9 是面向 AI Agent 的持久化记忆服务，它的核心能力之一，就是从一段普通对话中自动提炼出可长期保存的"原子事实"（Facts），让 Agent 跨会话、跨设备都能记得你。本文带你完整看懂 mem9 的 Facts 事实抽取管线：从输入清洗、LLM 抽取契约、长期事实过滤，到时间归一化与来源追踪，每一步是如何把"闲聊"变成"永久记忆"的。

一、为什么需要"事实抽取"？

Agent 的原始对话是短暂的，但用户希望它记住稳定的信息：偏好、项目、关系、决策。mem9 把记忆分成三类，各司其职：

换句话说：session 是"录音笔"，insight 才是"笔记"。Facts 抽取管线负责的就是后者——它不做整段总结，而是生成一条条可独立检索、适合长期保存的原子陈述。

二、Facts 抽取管线全景：五步走

整条管线由 IngestService 编排，Handler 层的入口在 ingestMessages。完整流程可以概括为五步：

1. 输入预处理：清洗插件注入内容、去空消息、按 rune 上限截断
2. LLM 抽取：按"抽取契约"输出 JSON 格式的原子事实
3. 长期事实过滤：两层门禁丢弃短期、临时性内容
4. 时间归一化：把"昨天""下周三"解析为结构化时间元数据
5. 来源追踪：为每条事实标注它出自哪几条原始消息

官方中文文档对这条链路的完整描述见 facts-extraction.zh-CN.md，四条算法链路的导读见 README.zh-CN.md。

三、输入预处理：先给对话"消毒"

在把对话交给 LLM 之前，stripInjectedContext 会先移除插件注入的<relevant-memories>内容——这一步很关键，否则上一次召回的记忆会被当作新事实再写回数据库，形成"记忆自我复制"的反馈环。

随后 prepareExtractionInputWithPolicy 完成三件事：

• 跳过空消息，规范化 role 与 content，并记录清洗后消息对应的原始索引（供后续来源追踪用）
• 长度控制：整段对话最多保留 1,000,000 个 rune；单条content入口最多 32,000 个 rune
• 角色准入：默认只允许user消息贡献事实，system和tool永远不参与；开启MNEMO_FACT_EXTRACTION_INCLUDE_ASSISTANT后，assistant也只允许贡献关于用户世界、项目、决策的具体长期断言，建议、猜测、自我描述均被排除

四、LLM 抽取契约：什么样的句子才配成为"事实"？

mem9 对 LLM 有一套严格的"输出契约"，这是保证记忆质量的第一道防线：

• 原子化：每个事实必须是单一、自包含、可独立检索的陈述。因果、条件、先后这类强语义关系允许保留在一条事实里，避免拆散后丢失关系
• 保真：保留原始语言和具体名称，尽量把"他""那个项目"替换为实体名，但不猜测不清楚的指代
• 附标签：每条事实可带 1–3 个短小写 tags，用于后续检索与分类
• 必须返回 JSON：首次解析失败时，extractFactsAndTagsWithRouting 会发起一次"JSON 修复重试"；仍失败则依次尝试兼容旧版{"facts":["..."]}字符串数组格式、以及字段被错误展开到顶层的 flattened-fact 格式。三种手段都救不回来，Phase 1 才返回错误

这种"一次重试 + 两级降级"的设计，让管线在 LLM 输出不稳定时依然鲁棒。

五、长期事实过滤：两层门禁拦住"临时话"

不是所有值得说的话都值得记一辈子。mem9 用两层门禁保证只有 durable（可持续）事实能进入长期记忆：

• 第一层（Prompt 层）：要求 LLM 只产出 durable facts，并为可疑内容打上fact_type
• 第二层（服务端确定性兜底）：filterLongTermFacts 用fact_type判断 + 中英文正则 guard 双重检查

以下五类内容会被直接丢弃，不进入后续 Reconcile：

细节上很讲究：服务端正则（见 ingest.go 中的chineseEphemeralIntentRE、chineseActivityLogRE等）特意避免误伤——普通人物、地点、项目、事件或承诺，不会因为包含"今天/明天/计划"就被丢弃；带"和某某一起"这类社交叙事线索的事件，也不会被简单当成 activity log。

六、时间归一化：让"昨天"也能被精确检索

"昨天开会讨论了迁移方案"——这句话的价值很大，但"昨天"是相对时间。

normalizeTemporalFacts 会把事实中的时间解析为结构化的TemporalMetadata（含kind、anchor_source、granularity、resolved_start、resolved_end、display等字段），并区分四种锚点：显式绝对时间、本句锚定的相对时间、消息头锚定的相对时间、以当前时间为锚的指示性时间。

注意一个设计取舍：正文保持自然语言时间，不把[time: ...]硬塞进文本；只有 Recall 或 Reconcile 需要精确匹配时，TemporalRecallProjection才临时投影出只读的[time: ...]后缀。正文干净，检索精准，两全其美。

七、来源追踪：每条记忆都能"指认"原始对话

记忆最怕"无根"——你不知道它从哪来，就无法信任它。

annotateFactsWithSourceSeqs 会为每条事实标注source_seqs（最多 6 个来源消息序号）和source_turns摘要。如果 LLM 没直接返回来源，服务会用"事实文本与候选源消息的 token 重合度"推断归属。

这一设计带来两个好处：

1. 任何一条 insight 都可以追溯回原始对话轮次，在 Dashboard 中可审计
2. 后续 Reconcile 改写事实文本后，仍可通过相似 token 重新关联到最可能的来源，记忆链条不断裂

八、空结果与降级语义：失败≠错误

两个新手容易误解的点，值得专门说明：

• "没抽到事实"是正常结果，不是故障。用户聊的全是临时话题时，facts 为空，但原始 session turns 仍被独立保存——长期 insight 不创建，对话本身没丢
• 无 LLM 时自动降级：MNEMO_LLM_API_KEY未配置或 LLM 不可用时，Ingest 会改走 raw 路径，把整段原文直接写入，保证记忆写入不中断

排障时建议按"源角色不允许 → LLM 输出为空 → 被长期门禁过滤 → JSON 无法恢复"的顺序定位，详见官方文档的排障检查点。

写在最后：在 Dashboard 里"看见"记忆生长

抽取出来的记忆不止躺在数据库里。mem9 的 dashboard/ 提供可视化面板，把记忆数据渲染成可交互的像素农场场景，让"Agent 记住了什么"变得直观可感：

至此，一条完整链路就串起来了：对话 → Facts 抽取 → 过滤与归一化 → Reconcile 判定 ADD/UPDATE/DELETE/NOOP → 写入持久化存储 → 未来 Recall。想继续深入，推荐阅读官方文档集：Reconcile 流程、记忆存入流程、Recall 算法。

• 人工智能
• AI 应用
• Agent 记忆
• AI Agent
• RAG
• 后端
• 前端
• dsh-plugin