公众号名称：技术自由圈

作者名称：45岁老架构师尼恩

发布时间：2026-06-30 15:40

FSAC未来超级架构师

架构师总动员
实现架构转型，再无中年危机

尼恩说在前面

在45岁老架构师尼恩的读者交流群（50+人）里，最近不少小伙伴拿到了阿里、滴滴、极兔、有赞、希音、百度、字节、网易、美团这些一线大厂的面试入场券，恭喜各位！

Harness 架构已经是架构面试的核心题目，前两天就有个小伙伴面阿里，问到了 记忆底座相关的问题：

“ 为什么要把长期记忆分成: 静态长期记忆和动态长期记忆？
“每一轮对话都触发长期记忆存储，会不会导致记忆爆炸，怎么处理？

通过这个系列的文章，这里尼恩给大家做一下系统化、体系化的梳理，写一个系列的文章组成尼恩编著《Harness 架构与源码学习圣经》深入剖析 Harness AI 平台级架构的架构思维与核心源码，使得大家可以充分展示一下大家雄厚的 “技术肌肉”，让面试官爱到 “不能自已、口水直流”。

同时，也一并把这个题目以及参考答案，收入咱们的《尼恩Java面试宝典PDF》V176版本，供后面的小伙伴参考，提升大家的 3高架构、设计、开发水平。

DeerFlow 长短记忆分层设计、长期记忆拆分逻辑与记忆膨胀治理方案

一、前言

传统大模型 Agent 记忆普遍采用上下文窗口（Context Window）短记忆 + 长短记忆二分法模式：短时对话全塞进 Prompt，长时记忆仅做整体摘要归档，存在三大典型痛点：

(1) 上下文无限堆砌，Token 冗余严重，触发窗口截断后关键信息随机丢失；

(2) 长记忆笼统汇总，无法区分固定事实、阶段性行为、临时状态，检索精度极低；

(3) 记忆更新策略一刀切，高频信息、低频沉淀信息、永久事实共用一套更新逻辑，要么频繁无效重写，要么关键信息长期不迭代失效。

DeerFlow 使用 User 活跃短期记忆 + History 时序中长期记忆 + Facts 结构化事实永久记忆三级记忆全景架构，

DeerFlow 跳出传统 “短时 / 长时二元划分” 思维，以信息更新频率、信息粒度、生命周期时效三个核心维度完成记忆切分，系统性解决上下文冗余、信息丢失、记忆管理粗放问题。

本文围绕架构设计原理、长期记忆拆分必要性、记忆爆炸防控机制三大核心问题展开完整拆解。

二、DeerFlow 长短期记忆整体设计方案

（一）三级记忆定位、更新节奏、生命周期与核心职能总览

记忆层级	层级定位	更新频率	生命周期	核心作用
User 用户上下文	活跃短期记忆	每轮对话实时刷新	小时～天级，新内容覆盖旧内容	捕捉用户当下瞬时状态、即时关注点、当前工作会话上下文，支撑本轮对话即时应答，是每一轮 LLM 推理的核心输入上下文
History 历史分层	时序中长期记忆	按月 / 季度低频聚合更新	月～年级，增量迭代、非全覆盖重写	沉淀用户阶段性行为轨迹、工作节奏、时间线事件、阶段性目标变化，还原用户完整行为演变脉络
Facts 事实列表	结构化永久记忆	极低频校验更新	永久 / 半永久存储，可修正、可淘汰	存储离散、可复用、具备置信度的确定性知识点、偏好、行为习惯、长期目标，支持精准检索、条件过滤调用

（二）各层级数据模型与存储内容明细

1. User 短期活跃记忆（本轮对话即时记忆）

对应结构体：

"user": {
  "workContext": {"summary": "", "updatedAt": ""},
  "personalContext": {"summary": "", "updatedAt": ""},
  "topOfMind": {"summary": "", "updatedAt": ""}
}

workContext： 当前正在进行的项目、任务、技术需求、待解决问题、会话中途临时约定；
personalContext： 本轮对话生效的输出风格、行文偏好、排版要求、沟通习惯；
topOfMind： 用户当下最核心诉求、临时关注点、未收尾疑问。

设计逻辑：该层级是对话 “临场缓存”，不需要留存过往多轮冗余细节，每轮对话结束后基于本轮交互总结重写，旧状态直接被覆盖；生命周期较短，超过 1～3 天未复用可主动清空，避免无效短时信息挤占存储与上下文空间，保证每轮推理输入轻量化。

2. History 中长期时序记忆（动态长期记忆主体）

对应结构体：

"history": {
  "recentMonths": {"summary": "", "updatedAt": ""},
  "earlierContext": {"summary": "", "updatedAt": ""},
  "longTermBackground": {"summary": "", "updatedAt": ""}
}

存储内容：

- recentMonths： 近数月阶段性行为、项目迭代历程、阶段性学习计划、诉求变化轨迹；

- earlierContext： 半年以上过往项目、过往诉求、阶段性经历；

- longTermBackground： 人生 / 职业里程碑、长期发展路线、重大背景基线。

设计逻辑：不以单条零散事实存储，而是时序化摘要聚合，记录 “变化过程”，体现用户动态演变，属于动态长期记忆。

3. Facts 结构化事实记忆（静态长期记忆主体）

单 Fact 标准结构：

{
  "id": "fact-{uuid8}",
  "content": "Uses VS Code as primary editor",
  "category": "preference",
  "confidence": 0.9,
  "createdAt": "...",
  "source": "thread-abc123"
}

分类维度：preference偏好、knowledge固有知识、context基础背景、behavior固定行为、goal长期目标。

存储内容：用户不会频繁变动、具备确定性的离散单点信息，例如固定编辑器、技术栈、固定作息、固有认知、长期规划、固定沟通偏好等。

每条事实附带置信度打分机制：

- ＜0.5： 无效推断，自动丢弃；

- 0.5～0.7： 弱推导结论，标记待复核；

- 0.7～0.9： 强逻辑推导结论；

- 0.9～1.0： 用户明确口述明示事实，可信度最高。

该层级内容稳定性极强，极少发生变更，属于静态长期记忆。

（三）回答问题 1：长期记忆怎么设计的？

DeerFlow 体系下长期记忆 = History 时序动态长期记忆 + Facts 结构化静态长期记忆，二者存储内容边界清晰：

【1】History（动态长期记忆）： 存储时序化过程、行为演变、阶段性轨迹

聚焦 “变化”，记录用户随时间推移产生的行为、项目、目标迭代过程，是连续叙事型总结，例如：近半年从传统后端开发转向大模型应用落地、先后做过 RAG 知识库、Agent 架构设计、量化交易模型迭代等阶段性历程。

【2】Facts（静态长期记忆）： 存储离散、稳定、可复用确定性单点事实

聚焦 “不变”，剥离时间波动，沉淀固化属性信息，可单独检索调用，例如：固定使用 Java 技术栈、偏好 Markdown 结构化文档、常年研究 AI Agent 工程化等稳定特征。

（四）长短记忆整体流转逻辑

每一轮对话执行链路：

【1】读取 User 短时记忆 + 匹配检索相关 Facts 静态事实，注入本轮 Prompt，支撑实时应答；

【2】对话结束后置流程： 更新覆盖 User 短时记忆；

【3】定时批量聚合： 按月 / 季度汇总对话信息，增量更新 History 中长期时序总结；

【4】事实抽取校验： 异步抽取本轮有效信息，判断是否新增、修改、淘汰 Facts 事实条目。

三、回答问题 2：为什么要将长期记忆拆分为静态长期记忆（Facts）+ 动态长期记忆（History）？

传统方案把所有长期内容揉成一段总摘要，会出现信息混杂、检索低效、更新混乱三大问题，拆分两类长期记忆是基于信息本质差异做精细化治理，核心五点必要性：

1. 信息属性本质不同：一个是 “过程”，一个是 “结论”

History 记录动态变化过程： 用户想法、项目、工作重心会持续迭代，核心价值是还原时间线脉络，适合段落式时序摘要；
Facts 记录静态固化结论： 个人偏好、基础背景、固有技能具备稳定性，核心价值是单点精准复用，适合结构化条目存储。若混为一体，查询 “用户常用编辑器” 这类单点信息时，需要遍历大段历史摘要做冗余匹配，效率极低。

2. 更新频率与变更逻辑完全不同

History 仅按月、季度低频增量汇总，只新增阶段性总结，不会推翻过往整体基线，迭代节奏慢、整体改动幅度小；
Facts 极慢迭代，只有用户明确修正原有认知、更换固有习惯时才修改或删除条目，绝大多数事实长期无需改动。统一存储会出现：为了少量事实修改，频繁重写整段长篇历史摘要，产生大量无效存储开销。

3. 调用场景与检索模式差异化

Facts 支持向量检索、分类过滤、置信度筛选，按需抽取少量关键事实注入上下文，轻量化、精准化；
History 多用于全景复盘、长周期背景溯源，一般不会全量塞进单次对话 Prompt，仅在需要完整了解用户过往脉络时按需引用片段摘要。不分层会造成要么长记忆全部塞进上下文超限，要么为了压缩丢失关键单点信息。

4. 信息容错与置信度管理需要隔离

Facts 自带置信度、来源溯源、分类标签，可自动剔除臆测性弱推断内容，管控事实准确性；History 是概括性叙事总结，允许适度归纳整合，无需逐条置信校验。合并后无法区分 “确凿事实” 和 “归纳推测内容”，极易产生记忆幻觉、错误认知沉淀。

5. 生命周期淘汰策略可独立配置

静态事实可设置过期复核机制（多年未使用事实降级、归档）；动态时序记忆按时间分段归档，早期久远历史可压缩精简，二者可配置独立回收规则，统一长期存储无法精细化做生命周期治理。

四、追问：每一轮对话都触发长期记忆存储，会不会引发记忆爆炸？

每一轮对话都触发长期记忆存储，会不会引发记忆爆炸？配套治理方案是什么？

（一）结论先行

DeerFlow 并不会每一轮对话都直接写入长期记忆，架构本身内置分层写入阈值、异步聚合机制、限流策略，天然规避逐轮写入导致的记忆膨胀；

即便存在长期累积增量，体系配套完整的写入限流、增量聚合、压缩归档、淘汰清理、检索裁剪五层治理方案，从源头、增量、存量全链路防控记忆爆炸。

（二）源头防控：从写入规则杜绝逐轮冗余落库

【1】User 短时记忆： 覆盖式更新，天然不膨胀

短时记忆采用覆写逻辑，始终只保留当前一轮会话总结，不会累加历史内容，存储体量固定，不存在无限膨胀问题。

【2】History 中长期记忆： 拒绝逐轮写入，定时批量增量聚合

架构设计约束：History 不随单轮对话触发修改，设置固定聚合窗口（月度 / 季度），周期内汇总全部对话摘要，增量补充、整体精简合并，不会把每一轮聊天逐条追加进历史。

举例：一个月数百轮对话，最终仅浓缩一小段月度总结写入 recentMonths，单周期仅产生一条增量数据，写入频次极低，从根源避免海量条目堆积。

【3】Facts 事实列表： 抽取校验前置，过滤无效写入

单轮对话后不会无脑抽取所有内容生成 Fact，设置多层过滤规则：

临时情绪、单次随口提问、瞬时临时诉求判定为短时信息，直接舍弃，不进入事实库；
抽取内容先做相似度匹配，库内已有高度近似事实则跳过新增，仅在内容冲突时触发修正审核；
弱置信推断（confidence＜0.7）默认不入库，仅高置信、有明确来源的确定性信息才允许新增 Fact；
配置单轮最大新增 Fact 条数上限，防止单次交互批量生成冗余事实。

（三）存量治理：五层长效防爆炸机制

1. 事实生命周期分级归档与淘汰

冷事实判定： 超过设定年限从未被检索调用的 Fact，标记归档，默认不再参与常规检索；
冲突事实处理： 同一维度多条矛盾事实，按置信度、创建时间、消息来源优先级自动取舍，删除过时旧事实；
过期修正机制： 定期批量巡检 Fact 库，用户明确推翻的旧偏好、旧认知主动标记失效、软删除。

2. 历史时序分层压缩精简

History 三段式结构天然具备压缩能力：

近期内容保留相对详细摘要；
更早阶段内容逐年精简合并，多条旧时段摘要浓缩为极简概述；
超远期里程碑统一收拢至 longTermBackground，不再保留细碎阶段性细节，控制整体文本体量。

3. 上下文注入裁剪机制（解决 “存储多、调用撑 Prompt” 衍生爆炸）

即便记忆存量较多，每次调用时不会全量加载：

基于当前对话主题做相关性向量匹配，只召回 Top-N 高关联 Facts 与历史片段；
设置单次注入 Token 上限，超限自动二次摘要压缩，避免上下文窗口溢出。

4. 存储分库隔离，冷热数据分离

热数据： 当前周期 User、近期 History、高频调用 Fact，内存 + 在线数据库快速读写；
冷数据： 归档历史、低频陈旧 Fact，迁移至低成本归档存储，常规对话不加载，仅溯源场景按需调取，降低在线存储压力。

5. 记忆写入限流与异步队列削峰

所有长期记忆写入动作放入异步消息队列，设置单位时间最大入库频次，避免短时间大量批量抽取、批量更新击穿存储；同时增加人工复核开关，关键事实修改、大批量记忆变更可开启人工校验，防止 LLM 幻觉批量生成无效脏数据造成虚假膨胀。

（四）补充误区澄清

很多 Agent 方案的记忆爆炸根源是长短记忆边界模糊、逐条追加式存储、无过滤无脑落库；而 DeerFlow 三级架构通过按更新频率分层 + 写入节流 + 增量聚合 + 存量清理 + 调用裁剪形成闭环管控，长期运行下记忆体量可控、增速平缓，既不会丢失关键信息，也不会无限膨胀。

五、总结

(1) DeerFlow 摒弃传统长短记忆二元划分，以更新频率、信息粒度、生命周期构建 User（短时覆盖缓存）、History（动态时序长期记忆）、Facts（静态结构化长期记忆）三级体系；短期记忆服务即时对话，两类长期记忆分别承载行为演变过程与固化单点事实。

(2) 长期记忆拆分为静态 Facts、动态 History，是匹配两类信息在内容属性、更新节奏、检索用途、置信管控上的本质差异，解决笼统长记忆检索低效、迭代混乱、幻觉泛滥的缺陷。

(3) 架构本身并非逐轮落地长期记忆，依靠批量聚合、抽取过滤从源头抑制增量；搭配归档淘汰、摘要压缩、冷热分离、调用限流整套存量治理方案，完整规避记忆无限爆炸问题，实现 Agent 记忆可管控、可迭代、高精度、轻量化运行。

尼恩编著《手写 Harness Agent 框架底座免费 PDF 序列》

第一章：什么是 Harness架构？2026年AI核心范式解析： Harness架构与Agent工程化

具体文章： 54k+Star 爆火！AI 框架新王者 Harness Agent 来了！尼恩来一次Harness穿透式解读

第二章： Harness架构与 LangChain、LangGraph 三者联动的底层逻辑

具体文章： Harness架构与 LangChain、LangGraph 三者联动的底层逻辑

第十四章：架构哲学和思维： Harness /ReAct /PlanExec /Reflect /混合范式的区别

架构哲学和思维： Harness /ReAct /PlanExec /Reflect /混合范式的区别

第十五章： Harness 底层知识： MCP与FC的10大差别？Harness 怎么用MCP与FC？

Harness 底层知识： MCP与FC的10大差别？Harness 怎么用MCP与FC？

第17章： Harness SDK 架构：DeepAgent 基于LangGraph的生产级Super Agent驾驭层实现

本文

第17章： Harness SDK 架构：DeepAgent 基于LangGraph的生产级Super Agent驾驭层实现

第18章：DeepAgent ：基于LangGraph的 Harness 执行层生产级子智能体 Sub-Agent 深度拆解

第18章：DeepAgent ：基于LangGraph的 Harness 执行层生产级子智能体 Sub-Agent 深度拆解

第19章：深入解析DeepAgents的Middleware管道：设计一个Harness 护栏完成Agent全生命周期的治理

第19章：深入解析DeepAgents的Middleware管道：设计一个Harness 护栏完成Agent全生命周期的治理

第20章： DeepAgents 经验注入+记忆注入：基于Memory与Skills双中间件实现渐进式披露 + 运行时经验注入

第20章： DeepAgents 经验注入+记忆注入：基于Memory与Skills双中间件实现渐进式披露 + 运行时经验注入

第21章：【顶级架构思维】Harness 架构如何上下文压缩：深入剖析 DeepAgents 四级上下文压缩流水线底层原理和核心源码

【顶级架构思维】Harness 架构如何上下文压缩：深入剖析 DeepAgents 四级上下文压缩流水线底层原理和核心源码

第22章：Hermes +Claude 实现 AI 编程 Agent Team 硅基团队，一人开启 10个Agent的个人boss 之路

第24章：【顶级架构】穿透Hermes 塔尖工具系统：自注册设计+ 组合式按需推送+四层纵深防御+零配置插件 +常驻事件循环

第24章：【顶级架构】穿透Hermes 塔尖工具系统：自注册设计+ 组合式按需推送+四层纵深防御+零配置插件 +常驻事件循环

第25章：【Harness顶级架构】Hermes skills 自进化秘诀：三层引擎 + 影子Agent + 边车文件 + 伞状合并

第26章：Harness 底层架构：基于 Deep Agents 深入底层 Sandbox沙盒Infa 基础设施架构

第27章：【手写 Harness 基建实操】阿里面试官：如何设计一个 Agent 工具？工业级实战：本地工具 + MCP 混合工具底座设计

第27章：【Harness 基建实操之工具底座】阿里面试官：如何设计一个 Agent 工具？工业级实战：本地工具 + MCP 混合工具底座设计

第28章：【手写 Harness 基建之记忆底座】字节面试官：如何设计一个 Agent 记忆系统？工业级实战：四层记忆 infra 底座架构

第28章：【Harness 基建实操之记忆底座】字节面试官：如何设计一个 Agent 记忆系统？工业级实战：四层记忆 infra 底座架构

第29章：【手写 Harness 基建之 Agent 编排底座】字节面试官： Agent 和 Workflow 到底有什么区别？90%的人都理解错了！手写一个工业级实战：四层Agent协同编排引擎 Infra 底座，新一代的Agent 协同编排引擎 Infra 底座

第30章：【手写 Harness 基建之 skills 底座】阿里面试官：如何设计高质量的 Skill 进化体系？如何实现工业级的 Skill 自进化体系？

其他的高质量文章，估计有 10章以上，具体请关注技术自由圈。

尼恩还在写，后续发布

说在最后：有问题找45岁老架构保驾护航

尼恩提示：要拿到高薪offer，或者要进大厂，必须来点 高大上、体系化、深度化的答案，整点技术狠活儿。

只要按照上面的尼恩团队梳理的方案去作答，你的答案不是 100分，而是 120分。面试官一定是心满意足，五体投地。

按照尼恩的梳理，进行深度回答，可以充分展示一下大家雄厚的 “技术肌肉”，让面试官爱到 “不能自已、口水直流”，然后实现”offer直提”。

在面试之前，建议大家系统化的刷一波 5000页《尼恩Java面试宝典PDF》，里边有大量的大厂真题、面试难题、架构难题。

很多小伙伴刷完后，吊打面试官，大厂横着走。

在刷题过程中，如果有啥问题，大家可以来找 40岁老架构师尼恩交流。

另外，如果没有面试机会，可以找尼恩来改简历、做帮扶。

刚刚一个卖肥料一年，上岸架构师。月薪3w 比卖肥料香太多！Java架构+AI架构，帮助31岁小伙伴大逆袭

成了：卖肥料一年，上岸架构师。月薪3w 比卖肥料香太多！Java架构+AI架构，帮助31岁小伙伴大逆袭

狠狠卷，实现 “offer自由” 很容易的，前段时间一个武汉的跟着尼恩卷了2年的小伙伴，在极度严寒/痛苦被裁的环境下， offer拿到手软，实现真正的 “offer自由” 。

下面的案例，通过尼恩三高架构 +尼恩 AI架构 +尼恩架构陪跑，实现 P7 升级

小伙赶在32岁末班车，拿到京东P7（60w），撬开P8（年薪100W）通道，逆天改命了！！！

逆袭 100万 P8。37岁空窗6个月，靠 Java+AI双栖架构， 2个月上岸 100w年薪到手，职业重生+逆天改命！

一飞冲天，逆首席： 37 岁借力 Java+AI 逆袭首席架构，年薪80W+太香了

31岁 /专科升架构成功，收10个offer 变 offer 皇帝！！下一步，直冲100W

奇迹 : 一年涨2倍，年薪 60W 梦想实现。接下来，开启 40岁之前的年薪 200W 梦想

28岁/6年/被裁1年，收 3 大厂offer ，成大厂皇后。2本学历 51W 年薪，惊天逆涨，涨薪2倍，大厂皇后

涨薪传奇： 18k->38K , 单月暴20K，32岁小伙伴 2个月时间年薪翻1.5倍，一步登天+逆天改命

低学历传奇：29岁6年专套本，受够了外包，狠卷3个月逆袭大厂涨 1倍，逆天改命

极速上岸：被裁后， 8天拿下京东，狠涨一倍年薪48W，小伙伴就是做对了一件事

外包+二本进美团： 26岁小2本一步登天，进了顶奢大厂（美团），太爽了

超牛的Java+Al 双栖架构： 34岁无路可走，一个月翻盘，拿 3个架构offer，靠 Java+Al 逆天改命！！！

java+AI 逆袭2：：3年程序媛被裁， 25W-》40W 上岸，逆涨60%。 Java+AI 太神了，架构小白 2个月逆天改命

Java+AI逆袭3 ： 36岁/失业7个月/彻底绝望。狠卷 3个月 Java+AI ，终于逆风翻盘，顺利上岸

Java+AI逆袭：闲了一年，41岁/失业12个月/彻底绝望。狠卷 2个月 Java+AI ，终于逆风翻盘

Java+AI逆袭5：1个月大涨2.5W，37岁脱坑外包，入了正编，GO+AI 要逆天了

升架构，找尼恩

架构才是立身之本，其他都是工具！ java、go， AI 都是工具，核心是架构。此文以尼恩5年辅导的海量案例，证实了架构底座是无比重要

职业救助站

实现职业转型，极速上岸

关注职业救助站公众号，获取每天职业干货
助您实现职业转型、职业升级、极速上岸
---------------------------------

技术自由圈

实现架构转型，再无中年危机

关注技术自由圈公众号，获取每天技术千货
一起成为牛逼的未来超级架构师

几十篇架构笔记、5000页面试宝典、20个技术圣经请加尼恩个人微信免费拿走

暗号，请在公众号后台发送消息：领电子书

如有收获，请点击底部的”在看”和”赞”，谢谢

内容效果不满意？点此反馈