长对话并不等于高质量对话。我们在 Echo 的线上数据里看到，用户最不满意的场景通常不是“回答错误”，而是“前后矛盾”：上一轮还记得偏好，下一轮突然遗忘；刚确认目标，几轮后又偏离主题。 这本质上是记忆系统设计问题，而不只是模型参数问题。
分层记忆：把信息放在正确位置
Echo 将记忆分成三层：短期上下文（最近几轮语义状态）、任务记忆（本次会话目标与约束）、长期偏好（用户稳定偏好与禁忌）。短期层追求新鲜度，任务层追求一致性，长期层追求稳定性。 分层之后，模型调用时不再“全量拼接历史”，而是按任务意图精确拉取。
压缩与检索门控
记忆越多并不总是越好。我们在回放中发现，低价值历史片段会稀释关键信息，因此加入了压缩策略：对低贡献片段做摘要归档，对高贡献片段保留原文。同时在检索前增加门控器， 先判断“这条记忆是否真的服务当前任务”，不相关内容直接剔除，减少模型被噪声带偏的概率。
一致性评估与自动修复
我们引入了会话一致性评分，对“目标一致性”“偏好一致性”“事实一致性”分别打分。当评分低于阈值时，系统触发修复流程：先提示模型回看任务记忆，再执行一次受限重答。 这套机制把长会话中的前后冲突率显著压低，同时避免了人工规则爆炸。
Echo 的经验是：多轮智能体能力的天花板，不在于回答得多华丽，而在于能否在复杂会话中保持方向感。记忆系统不是附属模块，而是会话产品的主干工程。