Ch15: Memory 与 RAG 边界——何时检索、何时记忆

Part 6: 进阶专题前置章节：Ch01: 为什么需要 RAG 后续：返回导读目录或进入 AI 记忆赛道返回目录：README

结论先行：RAG 查的是「别人写进文档的知识」；Memory 存的是「Agent 从对话里学到的经验」。两者在「可沉淀的事实」区域重叠——同一句「部署前必须跑 smoke test」可能既在 Wiki 里，也被 Agent 写进 memdir。重复建设会浪费存储、引发答案冲突；清晰边界才能选对 WeKnora vs DB-Agent-Memory。

一、日常类比

RAG：公司 Confluence / 产品手册——权威、可版本管理、适合全员共享
Memory：你笔记本上的踩坑记录——个性化、随对话演化、默认不对外发布

重叠区：笔记本里写的 SOP 与 Wiki 上的 SOP 内容一致，但 更新机制不同——Wiki 改一处全员生效；Memory 可能仍是旧习惯。

二、决策树（RAG 读者版）

Agent 需要信息
    │
    ├─ 来源是外部文档/知识库？ ──是──→ RAG（WeKnora / Dify…）
    │
    ├─ 来源是与用户的对话且跨 session 有用？
    │       ├─ 个性化偏好 → Memory（User Memory）
    │       └─ 可沉淀为团队知识 → Memory 写入 + 考虑同步到 RAG 文档
    │
    └─ 仅当前会话上下文 → Working Memory（不需 RAG 也不需长期 Memory）

完整 Mermaid 版见 AI 记忆赛道 Memory 与 RAG 边界。

三、系统性对比

维度	RAG	Memory
数据来源	上传的 PDF/Markdown/网页	多轮对话提取
更新方式	重索引 / 增量 chunk	提取-合并-遗忘 pipeline
权威性	文档作者为准	Agent 推断，可能错
共享范围	知识库级别、多用户	通常 per-user / per-agent
典型产品	WeKnora、RAGFlow	DB-Agent-Memory、mem0
检索信号	BM25 + 向量 + 图谱	向量 + 时间衰减 + 重要性

四、腾讯生态中的分工

犀牛鸟 2026 中两个相关项目：

项目	赛道	角色
WeKnora	RAG / 知识库	文档摄入、三路检索、Wiki 自维护
DB-Agent-Memory	AI Agent 记忆	四层记忆金字塔、npm/TS 生态

腾讯记忆生态描述两者如何互补而非互替。WeKnora 的 Memory 与 RAG 冲突（技术挑战 #10）：对话中学到的「用户偏好」与文档记载不一致时，应 以文档为准 还是 以最新对话为准——产品策略问题，尚无统一答案。

五、集成模式（三种）

摘自 Agent 与 RAG 集成：

模式	架构	适用
RAG 为主	先检索文档，Memory 只补 session 偏好	企业知识库问答
Memory 为主	长期事实进 Memory，RAG 查大库细节	个人助理
双路融合	并行检索 + 优先级规则合并 context	Coding Agent、WeKnora+MCP

伪代码（双路融合）：

def fused_context(query, user_id):
    doc_hits = weknora.search(query, top_k=5)
    mem_hits = memory.recall(user_id, query, top_k=3)
    # 规则示例：文档引用优先；Memory 仅补充「用户偏好」类 slot
    return merge_with_priority(doc_hits, mem_hits, rules=MERGE_RULES)

六、对 RAG 学习者的行动建议

你的目标	建议
只参赛 WeKnora	读本章建立边界即可；Memory 细节跳至 AI 记忆导读 Ch06
做 Agent 全栈	RAG 导读 Ch01–Ch06 + 记忆导读 Ch04–Ch06
写 proposal 涉及两项目	明确「文档层 vs 对话层」分工，避免「两个都做检索」

章末自检

用一句话区分 RAG 与 User Memory 的数据来源
举一个在 RAG 与 Memory 重叠区的例子，并说明更新机制差异
画出「双路融合」模式下 query 如何并行走向 WeKnora 与 Memory
说明 WeKnora 技术挑战 #10「冲突」为什么难以用纯算法解决
若产品要求「Agent 记住用户上次上传的私有文档摘要」，这属于 RAG 还是 Memory？