记忆召回和指令补全
在 MemOS 中，记忆不仅仅是信息的存档，还要能够在需要时被动态取用，并转化为可执行的输入。这一过程由两个紧密衔接的环节完成：记忆召回 与 指令补全。
1. 能力介绍
1.1 记忆召回
记忆召回负责在用户发起新请求时，快速检索出与任务最相关的记忆片段。
- 作用：确保模型在生成回答时，不是“从零开始”，而是结合用户历史、偏好、上下文。
- 返回结果：召回的内容以明文事实形式呈现
- 可溯源：每条记忆均附带来源、时间戳和置信度。
- 高可控：开发者可以完全掌握哪些记忆进入下游逻辑。
1.2 指令补全（敬请期待）
需要注意的是，“事实”并不等于“指令”。开发者若只得到明文记忆，还需要额外写规则，才能将这些信息转译成大模型能直接执行的 Prompt。
指令补全的作用， 就是在召回结果的基础上，自动生成不同粒度的指令
- 在多数系统里，开发者只能拿到“记忆事实”，然后自己拼接 Prompt。但这会遇到几个痛点：
- 任务感知：同一条记忆，在不同任务下需要不同表述；
- 个性化偏好：用户风格、习惯需要被即时补齐；
- 动态优化：不同模型对 Prompt 的最优写法不同；
- 高效压缩：需要去除冗余，降低 token 消耗。
- MemOS 的指令补全帮开发者完成这部分“最后一公里”的工作：
- 省去规则拼接和调优成本；
- 确保召回的记忆能被真正有效利用；
- 提供 matches / instruction / full_instruction 三种模式，满足不同程度的控制需求。
- 记忆事实（matchs）：召回当前Query的相关记忆
- 半成品指令（instruction）：将召回的记忆与用户当前问题拼接，形成基础 Prompt，开发者可在此之上继续添加业务逻辑。
- 完整指令（full_instruction）：在半成品的基础上，结合上下文、偏好、合规约束等，生成可直接下发给模型的终端 Prompt。
指令补全由 离线链路 与 实时链路 共同作用
| 链路 | 说明 |
|---|---|
| 离线链路（沉淀与准备） | 抽取用户偏好，形成档案。 构建 few-shot 样例库。 固化品牌、合规、风格等长期规则。 |
| 实时链路（动态决策） | 根据任务意图，选择当前要启用的记忆与模板。 裁决冲突（如“喜欢诗经开头” vs “要求简洁”）。 根据 token 预算和模型特性，做压缩与降级。 |
2. 案例（需待指令补全上线）——AI教育中的个性化辅导
2.1 历史对话输入（原始材料）
2025-06-10
学生：老师你好我叫小明，今年初三
老师：你好小明，很高兴认识你
……
2025-08-01
学生：老师，这题我总算不出来，能不能讲清楚点？
老师：好的，我会一步一步给你解释。
……
2025-09-03
……
学生：你刚刚讲得太长了，我有点跟不上。能不能简单一点？
老师：行，那我用更简短的方法告诉你。
……
2025-10-09
学生：我还是分不清一次函数和二次函数……
老师：一次函数的图像是直线，二次函数是抛物线，你要记住这个区别。
……
2.2 MemOS指令偏好建模（离线链路）
- 偏好抽取
- 喜欢分步骤讲解（来自“能不能一步一步讲”）。
- 偏好简洁（来自“你刚刚讲得太长了”）。
- 容易混淆相似概念（来自“我还是分不清一次函数和二次函数”）
- few-shot 挑选：挑出带分步骤、简洁解释、概念澄清的对话。
- 策略总结：总结为“分步骤 + 简洁 + 澄清常见混淆”。
user_teaching_template_u123:
audience: "初三学生"
task: "解答数学题"
structure:
- "分步骤讲解（3–4 步）"
- "必要时先纠正一次函数与二次函数的混淆"
constraints:
- "讲解简洁，不要太长"
- "重点突出，避免大段公式推导"
fewshot_examples_u123:
- id: "fs-step-01"
user: "老师，这题我总算不出来，能不能讲清楚点？"
assistant: "好的，我会一步一步给你解释……"
tag: "分步骤讲解"
- id: "fs-brief-02"
user: "你刚刚讲得太长了，我有点跟不上。能不能简单一点？"
assistant: "行，那我用更简短的方法告诉你……"
tag: "简洁表达"
- id: "fs-contrast-03"
user: "我还是分不清一次函数和二次函数……"
assistant: "一次函数的图像是直线，二次函数是抛物线，你要记住这个区别……"
tag: "概念澄清"
2.3 实时链路（指令补全）
用户提问【老师，你能教我解一下这个题吗？2x² - 3x - 5 = 0】
- 召回记忆matches： 只返回事实，未加工。开发者需要自行拼接 Prompt、决定如何引导学生解题。
matches:
- value: "初三学生"
score: 0.95
source: "对话记录#2025-06-10"
- value: "偏好分步骤讲解"
score: 0.94
source: "对话记录#2025-08-01"
- value: "喜欢简洁的解释"
score: 0.92
source: "对话记录#2025-09-03"
- value: "分不清一次函数和二次函数概念"
score: 0.90
source: "对话记录#2025-10-09"
user_query: "老师，你能教我解一下这个题吗？2x² - 3x - 5 = 0"
- 半成品指令 instruction： 将事实转译成结构化要求：任务 / 受众 / 步骤 / 限制
instruction: |
任务：帮学生解答二次函数题目
受众：初三学生
要求：
- 分 3–4 步讲解
- 在讲解过程中纠正一次函数/二次函数的常见混淆
- 保持简洁，避免冗长推导
备注：如题目不完整，请先提出澄清问题
user_query: "老师，你能教我解一下这个题吗？2x² - 3x - 5 = 0"
- 完整指令 full_instruction： 在半成品基础上进一步加工
- 将“常混淆”转化为具体教学动作（在讲解时必须强调二次函数与一次函数的区别）
- 把“分步骤讲解”的偏好转译为明确的解题方式（用分步骤的形式进行说明）
- 将“初三学生”改写为教学场景中的角色关系（你是一名初三学生的数学老师）
- 从历史对话中挑选 few-shot 示例，补充到最终指令中，帮助模型更好学习解题和澄清的模式
半成品偏结构化，方便开发者二次加工；完整指令偏自然语言，更贴近模型直接执行。
final_prompt_to_model:
- role: system
content: |
你是一名初三学生的数学老师。
学生在学习时经常把一次函数和二次函数混淆，且更喜欢简洁、分步骤的讲解。
请参考以下历史示例的风格：
【示例 1】
学生：老师，这题我总算不出来，能不能讲清楚点？
老师：好的，我会一步一步给你解释。
【示例 2】
学生：你刚刚讲得太长了，我有点跟不上。能不能简单一点？
老师：行，那我用更简短的方法告诉你。
【示例 3】
学生：我还是分不清一次函数和二次函数……
老师：一次函数的图像是直线，二次函数是抛物线，你要记住这个区别。
现在请回答学生问题：“解 2x² - 3x - 5 = 0”。
要求：
- 用分步骤方式解题（3–4 步）；
- 在讲解中指出一次函数与二次函数的区别；
- 保持答案简洁清晰，避免冗长推导；
- 如果题目信息不足，请先提出澄清问题。
- role: user
content: "老师，你能教我解一下这个题吗？2x² - 3x - 5 = 0"
案例总结：在“初三学生解二次函数”的场景中，指令补全相比只返回原始记忆有如下增益
- 从事实到可执行
- 原始记忆只有“学生常混淆二次函数和一次函数”，开发者需要自己转化为教学动作。
- 指令补全直接生成“讲解时必须强调关键区别”，避免开发者额外写规则。
- 上下文融合
- 原始记忆是零散片段，开发者要自己判断如何放进 Prompt。
- 指令补全自动把记忆和用户问题融合成一个连贯的任务描述，模型可直接使用。
- 优化与裁剪
- 如果开发者直接拼接记忆，结果往往冗余或冲突。
- 指令补全自动压缩为简洁的步骤要求，减少 token 消耗，也提升回答聚焦度。
- 健壮性保障
- 开发者如果只拿到记忆，还得考虑“题目不完整怎么办”。
- 指令补全内置了澄清策略，让输出更稳健，无需开发者重复造轮子。
3. 进阶：如果你想做深度定制
在 MemOS 中，召回与补全的实现方式并非单一路径，而是由多种策略与组件组合完成。不同场景可能需要不同的配置，本节列出主要环节与可定制点，供你根据业务需要灵活选择。
| 层次 | 可定制点 | 示例 |
|---|---|---|
| 记忆召回 | 调整召回策略 | 提高相似度阈值，只返回置信度 ≥0.9 的记忆 |
| 设置过滤器 | 仅检索最近 30 天的对话；只要偏好类记忆，不要事实类 | |
| 半成品指令 instruction | 扩展结构化字段 | 在默认字段外加上「输出格式：Markdown」「必须包含：安全提醒」 |
| 自定义拼接模板 | 替换默认拼接逻辑，生成带品牌语气的半成品指令 | |
| 完整指令 full_instruction | Few-shot 策略 | 使用自家示例库替换默认历史消息，固定每次返回 2 个示例 |
| 角色与语气控制 | 强制设定为“金融顾问”，输出风格为“正式专业” | |
| Token 成本优化 | 定义压缩规则：保留核心偏好，裁剪掉冗余背景信息 | |
| 多模型适配 | 针对 GPT 输出带 LaTeX，对 LLaMA 输出纯文本，自动切换 | |
| 输出治理与审计 | 安全兜底 | 在补全指令前自动加一句「回答请遵守合规规范」 |
| 日志与回溯 | 每次调用记录下使用的记忆条目与 few-shot 选择 | |
| A/B 测试 | 同时运行两套拼接模板，比较用户满意度差异 |
4. 下一步行动
了解MemOS更多核心能力
5. 联系我们
