基于AnalyticDB for PostgreSQL构建长记忆应用_云原生数据仓库AnalyticDB(AnalyticDB)-阿里云帮助中心

大模型虽能记忆一定长度的对话，但受注意力机制限制可能会遗漏某些信息，导致生成内容质量下降。即使扩大大模型的上下文窗口长度，仍可能会遗漏关键信息，并且增加成本，降低模型效率。长记忆技术针对对话过程中的关键信息（主要为用户个性化信息，如用户特征、偏好等），进行提取并持久化存储，使AI应用在后续交互中引用相关记忆信息，从而提升对话质量与交互体验。

应用场景

客服聊天机器人（Customer Support Chatbots）：能够记住客户的偏好、历史记录和过往互动，以提供个性化支持。
个人AI导师（Personal AI Tutors）：构建能够追踪学生进度、适应学习模式并提供上下文相关帮助的教育助手。
医疗健康应用（Healthcare Applications）：开发能够维护患者病史并提供建议的个性化医疗助手。
企业知识管理（Enterprise Knowledge Management）：构建能够从组织内部互动中学习并维护机构知识的系统。
个性化AI助手（Personalized AI Assistants）：创建能够学习用户偏好并随着时间推移调整回应的智能助手。

前提条件

AnalyticDB for PostgreSQL7.0版实例，且内核版本满足以下任一条件：
- 7.2版本且为7.2.1.4及以上。
- 7.3.2.0及以上版本。

说明

您可以在控制台实例的基本信息页查看内核小版本。如不满足上述版本要求，需要您升级内核小版本。

获取API Key作为调用大模型的鉴权凭证。
开通AnalyticDB for PostgreSQL实例所在VPC的公网NAT网关，使实例能够访问大语言模型（LLM）服务。

产品架构

核心组件
- ADBPG LLM Memory Manager：置于AnalyticDB for PostgreSQLCoordinator节点上，面向用户提供大模型长记忆服务，其接受用户的查询请求，内部进行记忆检索，生成prompt，与用户query一起发送给LLM，并向用户返回最后的结果。同时根据当前对话的上下文自动更新或者新增记忆到向量数据库Vector Store或者图数据库Graph Store。
- AI Service：提供LLM和Embedding服务。LLM支持用户查询、记忆抽取、记忆更新、冲突解决等功能。Embedding Model主要提供记忆向量化功能，用于记忆检索。
- AnalyticDB for PostgreSQL：提供记忆持久化能力，记忆以向量、文本块、知识图谱的形式存储。
主要特点
- 记忆处理（Memory Processing）：利用大语言模型（LLM）从对话中自动提取并存储重要信息，同时保持完整的上下文。
- 记忆管理（Memory Management）：持续更新存储的信息并解决其中的矛盾，以保持准确性。
- 双存储架构（Dual Storage Architecture）：结合向量数据库和图数据库存储信息。其中向量数据库用于记忆存储，图数据库用于关系追踪。
- 智能检索（Smart Retrieval System）：采用语义搜索和图查询，根据重要性和时效性查找相关记忆。
- 多模态支持（Multimodal Support）：支持从文本、图片等结构化和非结构化多模态数据中提取记忆。用户使用多模态数据加载记忆时，可直接提供数据 URL，但需确保使用的LLM具备多模态处理能力。LLM 会解析多模态数据并提取文本内容，随后长记忆模块将提取的文本进行记忆抽取，形成Vector或Graph存储到AnalyticDB for PostgreSQL中，便于后续高效检索。

基础功能

记忆检索

查询处理
- 使用LLM从用户的原始查询中提取关键信息。
- 根据上下文和查询意图生成合适的过滤条件，加速检索的效率和准确度。如：分类信息、时间范围。
向量检索
- 使用优化后的查询进行embedding，在向量数据库内执行语义搜索。
- 根据与查询的相关性对结果进行排序。
- 应用指定的过滤条件（用户、代理、元数据等）。
结果处理
- 整合多个搜索条件返回的结果，并按照相关性、重要性、时间等因素进行排序。
- 返回带有相关性评分的记忆条目。
- 包含相关的元数据和时间戳，如：标签、分类等。

记忆更新

信息抽取
- 使用LLM，从对话的上下文中提取出相关记忆。
- 识别出重要的实体（entity），并抽取各个实体之间的关系（知识图谱）。
冲突解决
- 系统自动将新记忆信息与现有记忆数据进行对比。
- 识别并解决其中的冲突。
点击查看冲突解决策略
当新信息与已有记忆条目在实体、关系或属性上存在矛盾时会触发冲突解决。目前AnalyticDB for PostgreSQL长记忆框架采用的冲突解决策略为时间戳优先。
- 实体匹配：通过命名实体识别和语义相似度比较，判断新旧信息是否指向同一实体。
- 属性对比：检查同一实体的属性（如时间、数值、状态）是否冲突。
- 关系验证：对比实体之间的关系（如“用户A是用户B的同事”vs“用户A是用户B的上级”）。
时间戳优先
逻辑：以最新时间戳的记忆信息为准。
适用场景：用户在对话中有相关属性信息的更新（如修改地址、更正日期）。
示例：
原有记忆：“用户生日是1995年”（时间戳：2023-01-01）
新信息：“用户生日是1996年”（时间戳：2023-10-05）
结果：更新用户生日为1996年。
置信度评分（Confidence Scoring）
逻辑：根据信息来源的可信度评分决定优先级。
可信度评分可能基于：
用户身份（如管理员输入与普通用户输入）
数据来源（如权威文档与非正式对话）
信息的上下文完整性（如详细描述与简单提及）
示例：
原有记忆：“用户职业是教师”（来源：用户自我介绍，可信度0.7）
新信息：“用户职业是工程师”（来源：第三方认证，可信度0.9）
结果：更新为“工程师”，并记录冲突历史。
上下文合并
逻辑：将矛盾信息合并为更完整的描述，保留上下文差异。
适用场景：信息可能同时成立（如时间范围不同）。
示例：
原有记忆：“用户喜欢咖啡”（时间戳：2022-05）
新信息：“用户不喜欢咖啡”（时间戳：2023-11）
结果：合并为“用户曾喜欢咖啡（2022-05），但现在不喜欢（2023-11）”。
记忆存储
- 向量数据库存储实际的记忆内容。
- 图数据存储实体之间的关系。
- 每一轮对话迭代中，都会自动更新记忆的内容。

记忆类型与场景

记忆类型

对于很多复杂的AI应用，需要在不同的对话中，引用之前对话所产生的记忆片段。常见的记忆类型如下。

记忆类型	说明
事实记忆（Factual Memory）	存储关于用户、偏好以及领域特定信息的知识。
情景记忆（Episodic Memory）	过去的互动和经历。
语义记忆（Semantic Memory）	对概念及其关系的理解。
程序记忆（Procedual Memory）	关于技术、过程、或者某个任务如何实现的记忆，主要用于 AI Agent 场景。

记忆场景

具体使用记忆时，可以有如下三种场景。

记忆场景	说明	检索方式
Session	短期记忆场景，只关心某个对话Session中所产生的记忆，不会引用其他Session的记忆。记忆持久存储，除非调用记忆删除接口将其删除。	通过Session id加载或检索该Session的所有记忆。
User	适用于需要引用某个用户历史上所有的记忆，User的以及包含所有与该User相关的Session的记忆。主要存储事实、情景、语义三种记忆类型。	通过User id检索该User的所有记忆，或结合User id与Session id检索该User对应的Session记忆。
Agent	主要用于AI Agent的长记忆场景，Agent记忆主要关注程序记忆（例如子任务的执行动作与结果）。业务调用Agent记忆接口时，AnalyticDB for PostgreSQL会使用特定Prompt提取Agent与LLM的交互历史记录，形成记忆存储至Vector Store中。	通过Agent id检索该Agent的所有记忆，或结合Agent id与Session id检索该Session的Agent记忆。

使用示例

本示例依赖以下环境。

大语言模型LLM：通义千问qwen3-32b。
文本向量模型Embedding Model：text-embedding-v3（支持text-embedding-v4）。text-embedding-v3，text-embedding-v2模型的升级版本，主打高性能、低成本，支持50+种语言、超长文本。
存储：AnalyticDB for PostgreSQLVector Store。

环境配置

接口
adbpg_llm_memory.config(config json)：配置LLM、embedder、vector store等信息。

示例

说明

该配置为会话（Session）级别，添加、获取记忆的相关SQL操作需要与该配置在同一个Session中执行。如果您通过DMS连接AnalyticDB for PostgreSQL实例，测试本文示例时，建议与后续SQL在同一SQL Console页签下一并执行。
测试时请替换以下配置中的api_key、user、password、dbname、port信息。其中，port值需执行SELECT port FROM gp_segment_configuration WHERE content=-1 AND role='p';获取。

select adbpg_llm_memory.config(
    $$
    {
    "llm": {
        "provider": "qwen",
        "config": {
            "model": "qwen3-32b",
            "qwen_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
            "api_key": "sk-xxxxxxx"
        }
    },
    "embedder": {
        "provider": "openai",
        "config": {
            "model": "text-embedding-v3",
            "embedding_dims": "256",
            "api_key": "sk-xxxxxx",
            "openai_base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1"
        }
    },
    "vector_store": {
      "provider": "adbpg",
      "config": {
            "user": "username",
            "password": "password",
            "dbname": "testdb",
            "hnsw": "True",
            "embedding_model_dims": "256",
            "port": 3029
          }
      }
}
    $$
);

执行结果

{'message': 'Configuration set successfully'}

添加新记忆

接口
adbpg_llm_memory.add(messages json, user_id text, run_id text, agent_id text, metadata json, memory_type text, prompt text)
- messages：需要添加的记忆信息。
- user_id：记忆信息所属的用户ID。
- run_id：记忆信息所属的会话ID。
- agent_id：记忆信息所属的Agent。
- metadata：目前支持在metadata里面设置记忆的过期时间。
- memory_type：记忆类型，默认为 null。如果是Agent相关的记忆，需要指定为'procedural_memory'。
- prompt：抽取记忆的 prompt，默认为null，一般情况下可满足使用需求。支持自定义，建议 prompt 指定最后的输出格式为Output: {{"facts" : [xxx]}}。

示例

SELECT adbpg_llm_memory.add($$
[
    {"role": "user", "content": "嗨, 我是张三。 我喜欢徒步，不喜欢剧烈的运动，"},
    {"role": "assistant", "content": "你好，张三！徒步是个很棒的爱好，我会记住你的喜好。如果你有任何徒步路线规划、装备推荐或沿途风景的问题，欢迎随时交流。"}
]
$$, 'test_u', null, null, $${"expiration_date": "2025-08-01"}$$, null, null);

执行结果

{
	'results': [{
				'id': 'e6d241f9-634f-43e4-925c-0ed70974****',
				'memory': 'Name is 张三',
				'event': 'ADD'
			}, {
				'id': '9efbb099-a20b-483e-99ef-3cc1e85e****',
				'memory': 'Likes hiking',
				'event': 'ADD'
			}, {
				'id': '6fc474d5-1e77-48ec-a5f2-8cb9ec50****',
				'memory': 'Dislikes intense exercise ', 
                                'event': 'ADD '
                        }
            ]
}

获取某个用户或Agent的所有记忆

接口
adbpg_llm_memory.get_all(user_id text, run_id text, agent_id text)：以json格式返回用户所有记忆。

示例

select adbpg_llm_memory.get_all('test_u', null, null);

执行结果

{
	'results': [{
		'id': '1cf1e872-5f78-41d0-b1ab-370eee82****',
		'memory': 'Name is 张三',
		'hash': 'd6f327d1ea38b8387927810bdcd3****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'created_at': '2025-06-25T15:45:58.687949+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '5806ab99-9764-4f31-bbda-29b77e8b****',
		'memory': 'Likes hiking',
		'hash': '5f8275169192f1a1a4564149c3d1****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'created_at': '2025-06-25T15:45:58.700653+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '55babe14-2605-40fa-9b32-e5ccefc3****',
		'memory': 'Dislikes intense exercise',
		'hash': '18fa10d79b6d2b0ec7f271817095****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'created_at': '2025-06-25T15:45:58.704473+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}]
}

获取给定query相关的记忆

接口
adbpg_llm_memory.search(query text, user_id text, run_id text, agent_id text, filter json)
- query：用户输入的prompt。
- filter：搜索时需要添加的过滤条件。

示例

select adbpg_llm_memory.search('给我推荐这周末的运动项目和相关地点？', 'test_u', null, null, null);

执行结果

{
	'results': [{
		'id': '5806ab99-9764-4f31-bbda-29b77e8b****',
		'memory': 'Likes hiking',
		'hash': '5f8275169192f1a1a4564149c3d1****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'score': 0.4617832899093628,
		'created_at': '2025-06-25T15:45:58.700653+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '55babe14-2605-40fa-9b32-e5ccefc3****',
		'memory': 'Dislikes intense exercise',
		'hash': '18fa10d79b6d2b0ec7f271817095****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'score': 0.48010164499282837,
		'created_at': '2025-06-25T15:45:58.704473+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}, {
		'id': '1cf1e872-5f78-41d0-b1ab-370eee82****',
		'memory': 'Name is 张三',
		'hash': 'd6f327d1ea38b8387927810bdcd3****',
		'metadata': {
			'expiration_date': '2025-08-01'
		},
		'score': 0.6027468977721387,
		'created_at': '2025-06-25T15:45:58.687949+08:00',
		'updated_at': None,
		'user_id': 'test_u'
	}]
}

删除某个用户或Agent的所有记忆

接口
adbpg_llm_memory.delete_all(user_id text, run_id text, agent_id text)

示例

select adbpg_llm_memory.delete_all('test_u', null, null);

执行结果

{'message': 'All relevant memories deleted'}

构建带有记忆的个人专属旅行Agent

本章节将介绍如何结合AnalyticDB for PostgreSQL和LangChain构建一个带有记忆功能的个人专属旅行Agent。该Agent可以记住用户的偏好和过往互动，为用户提供个性化的旅行建议、行程规划。

说明

已申请AnalyticDB for PostgreSQL实例、完成公网NAT网关配置，并获取API Key，详情请参见前提条件。

允许运行Agent的机器访问AnalyticDB for PostgreSQL实例，详情请参见设置白名单。
在运行Agent的机器上，安装ADB PG MCP服务。

复制以下代码，并将下方env及ChatOpenAI中的相关配置替换为实际值。

import asyncio
import ast
import os

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

import os
from typing import List, Dict
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# Create server parameters for stdio connection
server_params = StdioServerParameters(
    command="uv",  # Using uv to run the server
    args=["run", "adbpg-mcp-server"],  # Server with completion support
    env={"ADBPG_HOST": "gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com",
        "ADBPG_PORT": "5432",
        "ADBPG_USER": "test_user",
        "ADBPG_PASSWORD": "testPassword",
        "ADBPG_DATABASE": "postgres",
        "LLMEMORY_API_KEY": "sk-xxx",
        "LLMEMORY_BASE_URL": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        "LLMEMORY_LLM_MODEL": "qwen-max-latest",
        "LLMEMORY_EMBEDDING_MODEL": "text-embedding-v4"},
)

prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="""你是一个个人专属的旅行AI Agent， 请根据提供的上下文提供个性化的服务，并记住用户的偏好和过往互动。
    请提供旅行建议、行程规划，并解答关于目的地的问题。
    如果缺乏具体信息，可以根据常见旅行知识提供一般性建议。"""),
    MessagesPlaceholder(variable_name="context"),
    HumanMessage(content="{input}")
])

# Initialize LangChain
llm = ChatOpenAI(
          # 若没有配置环境变量，请将下行替换为：api_key="sk-xxx",
          api_key=os.getenv("DASHSCOPE_API_KEY"),
          base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
          model="qwen-max-latest")
mcp_session = None

async def retrieve_mem_context(query: str, user_id: str) -> List[Dict]:
    """Retrieve relevant context from adbpg LLM memory"""
    result = await mcp_session.call_tool(
                   name="adbpg_llm_memory_search",
                   arguments={
                       "query": query,
                       "user_id": user_id})
    result_str = result.content[0].text
    memories = ast.literal_eval(result_str)
    serialized_memories = ' '.join([mem["memory"] for mem in memories.get('results', [])])
    print(f"Memories: {serialized_memories}")
    context = [
        {
            "role": "system",
            "content": f"Relevant information: {serialized_memories}"
        },
        {
            "role": "user",
            "content": query
        }
    ]
    return context

async def generate_response(input: str, context: List[Dict]) -> str:
    """Generate a response using the language model"""
    chain = prompt | llm
    response = chain.invoke({
        "context": context,
        "input": input
    })
    return response.content

async def save_interaction(user_id: str, user_input: str, assistant_response: str):
    """Save the interaction to adbpg LLM memory"""
    interaction = [
        {
          "role": "user",
          "content": user_input
        },
        {
            "role": "assistant",
            "content": assistant_response
        }
    ]
    result = await mcp_session.call_tool(
        name="adbpg_llm_memory_add",
        arguments={
            "messages": interaction,
            "user_id": user_id
        }
    )
    print(f"Saving memories: {result}")

async def run_chat(user_input: str, user_id: str) -> str:
    # Retrieve memory context
    context = await retrieve_mem_context(user_input, user_id)

    # Generate response
    response = await generate_response(user_input, context)

    # Save interaction
    await save_interaction(user_id, user_input, response)

    return response


async def init_mcp():
    """Run the completion client example."""
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools = await session.list_tools()
            global mcp_session
            mcp_session = session
            print(f"Available tools: {[tool.name for tool in tools.tools]}")

            print("欢迎!我是您的专属旅行助手！今天，您想让我帮您规划哪些旅行计划呢？")
            user_id = "张三"

            while True:
                user_input = input("You: ")
                if user_input.lower() in ['quit', 'exit', 'bye']:
                    print("感谢您的使用，祝您旅途愉快！")
                    break

                response = await run_chat(user_input, user_id)
                print(f"旅行助手: {response}")

if __name__ == "__main__":
    asyncio.run(init_mcp())

测试Agent。

在本测试中，当用户首次告知“我喜欢火锅”时，Agent将记忆此用户偏好；后续规划行程时，Agent自动召回此偏好，在行程中融入火锅元素。

第一轮对话

输入示例

You: 我喜欢火锅

返回示例

2025-08-19 15:09:32,730 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x1035bd1d0>
2025-08-19 15:09:32,730 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-19 15:09:32,730 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-19 15:09:32,734 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:09:32,734 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:09:33,145 - mcp.server.lowlevel.server - DEBUG - Response sent
Memories: 喜欢火锅
2025-08-19 15:10:32,353 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x103584b00>
2025-08-19 15:10:32,354 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-19 15:10:32,354 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-19 15:10:32,359 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:10:32,359 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-19 15:10:36,532 - mcp.server.lowlevel.server - DEBUG - Response sent
Saving memories: meta=None content=[TextContent(type='text', text="{'results': []}", annotations=None, meta=None)] structuredContent=None isError=False
旅行助手: 太棒了！火锅是非常美味的美食选择。既然你喜欢火锅，我可以为你推荐一些以火锅闻名的旅行目的地，或者帮你规划一趟充满火锅体验的旅程。

以下是一些适合火锅爱好者的旅行建议：

---

### **国内火锅之旅推荐**
1. **重庆**  
   - 作为中国火锅的发源地之一，重庆的麻辣火锅以其浓郁的牛油底料和丰富的配菜闻名。  
   - 必去火锅店：  
     - 【珮姐老火锅】：地道重庆风味，招牌毛肚必点！  
     - 【秦妈火锅】：连锁品牌，但口味正宗且环境舒适。  
   - 推荐体验：在洪崖洞附近的火锅店边欣赏夜景边吃火锅。

2. **成都**  
   - 成都的火锅偏重香辣，同时也有很多鸳鸯锅选项，适合不太能吃辣的人。  
   - 必去火锅店：  
     - 【蜀九香】：以精致的菜品和服务著称。  
     - 【小龙坎老火锅】：人气超高，经常需要排队。  
   - 推荐活动：吃完火锅后可以逛宽窄巷子或春熙路，感受成都慢生活。

3. **北京**  
   - 北京的涮羊肉火锅是北方火锅的代表，汤底清淡，注重食材本身的味道。  
   - 必去火锅店：  
     - 【东来顺】：老字号，羊肉鲜嫩可口。  
     - 【海底捞】：服务一流，适合家庭聚餐。  

4. **云南腾冲**  
   - 腾冲的特色是“火山热海”，这里的野生菌火锅非常有名，尤其是松茸、牛肝菌等新鲜山珍。  
   - 推荐搭配：尝试用当地特有的酸辣蘸水调味。

---

### **国外火锅之旅推荐**
1. **日本（寿喜烧/しゃぶしゃぶ）**  
   - 寿喜烧和涮涮锅（Shabu-Shabu）是日本经典的火锅形式，以薄切牛肉和蔬菜为主，搭配生鸡蛋液食用。  
   - 推荐城市：东京、大阪。  
   - 必去餐厅：  
     - 【叙叙苑】（东京）：高级寿喜烧体验。  
     - 【一兰拉面旁的小型日式火锅店】：更接地气的选择。

2. **韩国（部队锅/韩式火锅）**  
   - 韩国的部队锅、泡菜锅和海鲜锅都很受欢迎，味道浓郁且分量十足。  
   - 推荐城市：首尔、釜山。  
   - 必去餐厅：明洞或弘大的街头小吃店，性价比高。

3. **泰国（泰式椰奶火锅）**  
   - 泰国的火锅通常使用椰奶汤底，加入柠檬草、香茅等调料，口感清爽又独特。  
   - 推荐城市：曼谷、清迈。  
   - 必去餐厅：【Mae Varee】，位于清迈，提供传统泰北风味火锅。

---

### **个性化行程规划**
如果你计划一次围绕火锅展开的旅行，可以告诉我你的出发地点、时间安排以及预算范围，我将为你设计一份详细的行程单！例如：
- **短期周末游**：从你所在的城市前往最近的火锅胜地（如重庆或成都）。  
- **长假深度游**：结合多个目的地，探索不同风格的火锅文化。

---

请告诉我更多细节，比如你想去的地方、出行时间和同伴情况，这样我可以进一步优化建议哦！

第二轮对话输入示例

You: 规划去上海的旅行计划

返回示例

2025-08-21 16:22:33,470 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x104016250>
2025-08-21 16:22:33,470 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-21 16:22:33,470 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-21 16:22:33,474 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:22:33,474 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****..gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:22:33,730 - mcp.server.lowlevel.server - DEBUG - Response sent
Memories: 喜欢火锅
2025-08-21 16:23:34,555 - mcp.server.lowlevel.server - DEBUG - Received message: <mcp.shared.session.RequestResponder object at 0x1040156a0>
2025-08-21 16:23:34,556 - mcp.server.lowlevel.server - INFO - Processing request of type CallToolRequest
2025-08-21 16:23:34,556 - mcp.server.lowlevel.server - DEBUG - Dispatching request of type CallToolRequest
2025-08-21 16:23:34,561 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:23:34,562 - adbpg-mcp-server - INFO - Database config: host=gp-bp17t9r5bfg822****.gpdb.rds.aliyuncs.com, port=5432, user=test_user, dbname=postgres
2025-08-21 16:23:39,645 - mcp.server.lowlevel.server - DEBUG - Response sent
Saving memories: meta=None content=[TextContent(type='text', text="{'results': [{'id': '901de85d-3f8f-49f8-9381-30a7f1d23044', 'memory': '规划去上海的旅行计划', 'event': 'ADD'}]}", annotations=None, meta=None)] structuredContent=None isError=False
旅行助手: 好的！既然你喜欢火锅，那我为你规划一个融合了美食、文化和景点的上海旅行计划，重点突出火锅体验和其他经典活动。以下是为期3天的行程建议：

---

### **第一天：抵达上海 & 美食初体验**
**上午：抵达上海**
- 根据你的航班或火车时间，抵达后先入住酒店（推荐选择市中心区域如南京东路、外滩或徐家汇附近）。
- 放松休息，调整状态。

**中午：午餐 - 本帮菜初体验**
- 推荐餐厅：【老正兴】或【绿波廊】
- 品尝上海特色菜肴，比如红烧肉、蟹粉小笼包等，感受地道的本帮风味。

**下午：外滩漫步 & 南京路步行街**
- 外滩：欣赏黄浦江两岸的风景，感受上海的历史与现代交融。
- 南京路步行街：逛一逛繁华的购物街区，顺便买些小吃，比如鲜肉月饼或糖炒栗子。

**晚上：火锅晚餐**
- 推荐餐厅：【海底捞（南京东路店）】或【小龙坎老火锅】
- 海底捞以服务著称，适合享受贴心的用餐体验；小龙坎则更偏向正宗川味火锅。
- 必点菜品：麻辣锅底、毛肚、黄喉、虾滑、手工牛肉丸。

---

### **第二天：文化探索 & 美食之旅**
**上午：豫园与城隍庙**
- 豫园：典型的江南园林，景色精致，适合拍照打卡。
- 城隍庙周边小吃：南翔小笼包、蟹壳黄、酒酿圆子等，可以尝试一些轻食。

**中午：简单午餐**
- 在城隍庙附近选择一家小店，试试生煎包或葱油拌面。

**下午：田子坊 & 徐汇滨江艺术区**
- 田子坊：充满创意的小巷，有很多手工艺品店和咖啡馆，非常适合闲逛。
- 徐汇滨江艺术区：如果你喜欢现代艺术，可以参观西岸美术馆或龙美术馆。

**晚上：高端火锅体验**
- 推荐餐厅：【湊湊火锅·茶憩】或【谭鸭血老火锅】
- 湊湊结合了台式火锅和奶茶饮品，环境优雅；谭鸭血则以其独特的鸭血和卤味拼盘闻名。
- 必点菜品：花胶鸡汤锅底、海鲜拼盘、手打虾滑。

---

### **第三天：魔都全景 & 返程**
**上午：上海中心大厦（上海之巅观光厅）**
- 登上中国第一高楼——上海中心大厦，在546米高的观光厅俯瞰整个城市。

**中午：静安寺商圈午餐**
- 推荐餐厅：【鼎泰丰】或【新旺茶餐厅】
- 尝试一些清淡的菜品，为接下来的火锅做准备。

**下午：迪士尼小镇或朱家角古镇**
- 如果你喜欢轻松的氛围，可以选择去迪士尼小镇逛街、喝咖啡，不需要入园游玩。
- 如果偏爱古色古香的地方，可以前往朱家角古镇，乘船游览水乡风光。

**晚上：告别火锅盛宴**
- 推荐餐厅：【蜀大侠火锅】或【佩姐老火锅】
- 蜀大侠的装修风格极具江湖气息，佩姐则主打重庆老味道。
- 必点菜品：九宫格锅底、肥牛卷、贡菜、苕粉。

---

### **其他实用信息**
1. **交通方式**：
   - 地铁是最便捷的方式，覆盖全市主要景点。
   - 使用“Metro大都会”App扫码乘车非常方便。
2. **季节注意事项**：
   - 春秋季节天气宜人，适合户外活动。
   - 冬季较冷，但火锅更加温暖人心！
3. **行李打包建议**：
   - 带一双舒适的鞋子，因为需要较多步行。
   - 上海冬天湿冷，记得带保暖衣物。

希望这个行程能让你在上海玩得开心，同时满足你对火锅的热爱！如果还有其他需求或者想要调整，请随时告诉我~

应用场景

前提条件

产品架构

基础功能

记忆检索

记忆更新

时间戳优先

置信度评分（Confidence Scoring）

上下文合并

记忆类型与场景

使用示例

环境配置

添加新记忆

获取某个用户或Agent的所有记忆

获取给定query相关的记忆

删除某个用户或Agent的所有记忆

构建带有记忆的个人专属旅行Agent