L0 Conversation 原始上下文

L0 Conversation 原始上下文

本节摘要:四层记忆的最底层是 L0 Conversation——对话的原始形态,原封不动地保存下来。它的价值不在「聪明」,而在「忠实」:它是事实底座,用于核对原话、时间和来源。当上层记忆(L1/L2/L3)给出某个提炼结论时,如果需要核对「当初到底是怎么说的」,就回退到 L0 取原话。本节讲清 L0 保存什么、为什么要原封不动、它在召回链里扮演的角色,以及它与上层的「提炼而非替换」关系。

一、L0 保存什么:原始对话与完整上下文

L0 保存的就是对话的原始形态——用户说了什么、Agent 回了什么、中间调用了哪些工具、产生了什么结果,全部忠实记录:

L0 的内容(一条记录的样貌)
  ├─ 对话消息(用户/Agent/工具的完整往返)
  ├─ 上下文(当时的系统提示、注入的记忆)
  ├─ 工具调用(调了什么、参数、返回)
  ├─ 时间戳(何时发生)
  └─ 来源(哪个 team/agent/session)
​

关键概念:L0 的设计原则是「宁全勿缺」——存下来不亏,丢了找不回来。存储成本相对低,而「原话丢失」的代价是无法挽回的。这也是为什么 L0 Recorder 是「完整录制」而非「选择性记录」。

二、为什么要原封不动:事实底座的价值

上层记忆(L1/L2/L3)都是「提炼」出来的,提炼就意味着信息压缩,压缩就可能失真。L0 原封不动保存,正是为了提供「可追溯的事实底座」:

为什么需要事实底座
  L3 画像说:「用户偏好简洁代码」
    └─ 这个结论哪来的? → 来自多次 L1 抽取
        └─ L1 哪来的? → 从 L0 抽取
            └─ 想核对原话? → 回到 L0
    
  → L0 是整条信任链的终点
​

举个具体场景:Agent 基于 L3 画像判断「用户喜欢简洁注释」,但用户某次说「这个模块要详细注释给新人看」。如果只有提炼后的 L3,这个「例外」可能被丢掉;但有 L0,就能核对原话,发现「简洁偏好有例外」。这就是事实底座的价值。

⚠️ 注意:L0 原封不动不等于「全量塞进上下文」——L0 平时只是「存档」,不主动进上下文。只有当上层记忆不够、需要核对原话时,才通过回退检索取出来。这是「平时不占上下文,需要时能查到」的设计。

三、L0 在召回链里的角色:回退终点

四层记忆的召回是「分层」的——平时用高层(L2/L3)快速进入语境,需要细节时回退到底层(L1/L0)。L0 是这条回退链的终点:

召回的分层策略(简化)
  优先级1: L3 画像 / L2 场景(快速进入语境,平时常用)
  优先级2: L1 原子(需要具体事实时)
  优先级3: L0 原话(需要核对原话/时间/来源时,最不常用)
  
  → 高层不够用时,逐层回退,直到 L0
​

L0 被检索的频率最低,但它不可替代——它是「最后的真相来源」。这种「平时少用、关键时不可缺」的定位,决定了它「全量存、按需取」的策略。

四、L0 与上层的「提炼而非替换」关系

一个关键认知:L0 被提炼成 L1/L2/L3 后,L0 本身不会删除——四层是「叠加」关系,不是「替换」关系:

错误的认知(替换)
  L0 → 提炼成 L1 → L0 删掉?  ✗ 不是这样

正确的认知(叠加)
  L0 一直在
   ├─ L1 从 L0 抽出(L0 还在)
   │   ├─ L2 从 L1 聚合(L0、L1 都在)
   │   │   └─ L3 从 L2 提炼(L0、L1、L2、L3 全在)
​

为什么要叠加?因为每层服务不同的召回需求,缺了任何一层都有盲区——只有 L3 缺原话核对,只有 L0 缺快速进入语境。四层都在,才能「平时快、需要时准」。

💡 技巧:理解四层记忆,抓这句话:「L0 是底座,L1/L2/L3 是从底座逐层长出的提炼,但底座永不删除」。这个「叠加」认知是理解整套记忆架构的钥匙,后续四节都在展开它。

五、L0 的存储与代价

L0 全量保存是有代价的——对话量大的团队,L0 数据会持续增长。系统的应对是:

L0 的存储成本是整套系统「最值得花的钱」——因为它承载的是不可重建的事实。其他层丢了可以从 L0 重新提炼,L0 丢了就真没了。所以实践中 L0 的保留策略通常最宽松。

本节要点回顾

1. L0 保存什么:原始对话的完整上下文(原话/工具调用/时间/来源),「宁全勿缺」。
2. 事实底座价值:提炼会失真,L0 原话是信任链终点,可追溯、可核对。
3. 召回角色:回退链终点,平时不进上下文,需要核对原话时才取。
4. 叠加非替换:L0 提炼出 L1/L2/L3 后自身不删,四层共存各有盲区互补。
5. 存储代价:全量保存有成本,但 L0 丢了不可重建,是最值得花的存储开销。

L0 是底座,下一节看第一层提炼——L0 如何被抽出 L1 Atom(事实/偏好/约束/事件),以及为什么去重不可省。