企业官网建设流程全解析

1. 从“hindsight”说起：为什么我们需要给Agent装一个“后视镜”

“hindsight”这个词本身很有意思，字面意思是“事后的洞察力”，也就是我们常说的“后见之明”。放在LLM Agent的语境里，它指向一个非常具体且长期被忽视的问题：Agent的记忆机制。当前大多数Agent框架在处理记忆时，走的都是“存-取”两条路——把对话历史塞进向量数据库，需要的时候做一次相似度检索，然后把检索结果拼进上下文。这套方案能跑，但跑久了你会发现一个尴尬的事实：Agent记了很多东西，但真正“学会”的东西很少。

我最早接触Agent记忆这块是在做一个客服工单自动分类的项目。当时用的是标准的RAG方案，把历史工单全部embedding后存入向量库，新工单进来先检索相似案例再让LLM做判断。上线第一周效果不错，第二周开始出现明显的性能衰减——Agent开始反复犯同样的错误，检索出来的“相似案例”越来越不相似，上下文窗口被大量低质量的历史片段挤占。排查后发现核心问题在于：向量相似度不等于经验相关性。两段对话可能在语义空间里距离很近，但一段是成功解决问题的经验，另一段是绕了弯路的失败尝试，Agent无法区分。

这就是hindsight要解决的核心命题：让Agent不只是“记住”发生过什么，而是能从发生过的事情中提炼出可复用的经验，并且在后续决策中主动调用这些经验。它更像是一个经验蒸馏与回放系统，而不是简单的记忆存储。结合热搜词里出现的“agent memory”、“LLM”、“MCP”、“Docker”这几个关键词，可以勾勒出hindsight的典型技术栈轮廓：以LLM为推理核心，以MCP为工具调用协议，以Docker为部署载体，构建一套面向Agent的长期记忆管理方案。

这篇文章适合三类人看：一是正在做Agent产品、被记忆问题折磨的开发者；二是对LLM应用架构感兴趣、想了解记忆模块设计思路的技术人；三是已经在用Docker和MCP搭建Agent基础设施、需要进一步优化记忆层的工程师。我会从设计思路、核心机制、实操部署、问题排查四个维度展开，尽量把每个决策背后的“为什么”讲清楚。

2. hindsight的核心设计思路拆解

2.1 为什么传统RAG记忆方案会失效

要理解hindsight的设计，先得搞清楚传统方案为什么不够用。我把它归纳为三个层面的失效：

第一层是检索粒度的失效。向量检索的基本单位是文本块（chunk），一个chunk可能包含多轮对话、多个决策点、多种情绪状态。当Agent检索到一个chunk时，它拿到的是“一整段历史”，而不是“某个具体情境下的某个具体决策”。这就像你问一个老员工“客户投诉物流慢怎么处理”，他直接把过去三年所有跟物流相关的邮件全转发给你，而不是告诉你“先安抚情绪，再查物流节点，最后给补偿方案”。

第二层是经验抽象的缺失。传统方案存储的是原始对话记录，没有经过抽象和提炼。Agent每次都要从原始记录中重新推理，这既浪费token又容易出错。hindsight的思路是在存储之前先做一层“经验蒸馏”——把原始对话压缩成结构化的经验条目，包含情境描述、采取的行动、结果反馈三个要素。

第三层是调用时机的模糊。传统RAG是“被动检索”，只有显式触发检索时才会去查记忆。但很多情况下，Agent需要的是“主动回忆”——在当前情境下自动判断是否有相关经验可以借鉴。hindsight引入了类似“记忆唤醒”的机制，让Agent在决策前先做一次经验匹配。

2.2 hindsight的架构选型逻辑

从热搜词里出现的“MCP”、“Docker”、“LLM”来看，hindsight的架构大概率是围绕这三个技术构建的。我结合自己的实践经验，还原一下这套架构的选型逻辑：

LLM作为经验蒸馏器。hindsight不会直接把原始对话存入记忆库，而是先用LLM做一次“经验提取”。具体做法是设计一个专门的prompt模板，让LLM从对话中识别出“可复用的经验点”，输出结构化的JSON。这个设计的关键在于：蒸馏的质量直接决定记忆库的质量。我试过用不同规模的模型做蒸馏，7B级别的模型在识别“什么是值得记录的经验”这件事上准确率明显不够，建议至少用13B以上的模型，有条件的话用GPT-4级别的API做离线蒸馏。

MCP作为记忆读写接口。MCP（Model Context Protocol）在这里扮演的是“记忆总线”的角色。Agent通过MCP协议向hindsight服务发起记忆写入和查询请求，hindsight服务内部再对接向量库、关系库、缓存等存储层。这样做的好处是解耦——Agent不需要关心记忆存在哪里、怎么存，只需要按照MCP定义的接口调用即可。热搜词里提到的“playwright mcp”、“blender mcp”、“蓝湖mcp”都是MCP协议在不同工具上的实现，hindsight作为记忆服务，同样可以封装成MCP Server供Agent调用。

Docker作为部署单元。记忆服务涉及向量库、关系库、缓存、LLM推理等多个组件，用Docker Compose编排是最省心的方案。热搜词里“docker安装”、“docker desktop安装教程”、“docker网络不通”这些词的高频出现，说明很多人在部署环节踩过坑。我后面会专门讲hindsight的Docker部署细节和常见网络问题的排查。

2.3 记忆分层：hindsight的三层记忆模型

hindsight把记忆分成三层，这个设计思路值得细说：

瞬时记忆就是当前对话的上下文，这个没什么好说的。工作记忆是hindsight的核心创新点——每轮对话结束后，系统会异步触发一次经验蒸馏，把原始对话压缩成经验条目。长期记忆则是更高层次的抽象，比如“这个用户对价格敏感”、“这类问题通常需要升级处理”这类跨会话的模式识别。

三层记忆的调用策略也不同。瞬时记忆直接拼进上下文；工作记忆通过MCP查询接口按需检索；长期记忆则是在Agent初始化时加载，作为“先验知识”注入系统prompt。

3. 核心机制深度解析与实操要点

3.1 经验蒸馏：从对话流中提取可复用知识

经验蒸馏是hindsight最核心的机制，也是实操中最容易出问题的环节。我把自己踩过的坑和总结的要点整理如下：

蒸馏时机的选择。有两种方案：同步蒸馏和异步蒸馏。同步蒸馏是在每轮对话结束后立即触发，优点是记忆实时性好，缺点是增加响应延迟。异步蒸馏是把对话放入消息队列，由后台worker慢慢处理，优点是主流程不受影响，缺点是记忆有延迟。我的建议是混合方案：对于明确包含“决策-结果”的对话轮次，同步蒸馏；对于闲聊或信息查询类对话，异步蒸馏或直接跳过。

蒸馏prompt的设计。这是决定蒸馏质量的关键。我试过很多版本，最终稳定下来的prompt结构是这样的：

DISTILL_PROMPT = """ 你是一个经验提取专家。请从以下对话中提取可复用的经验条目。 对话内容： {dialogue} 提取要求： 1. 识别对话中的关键决策点（Agent做了什么选择） 2. 记录决策时的情境特征（什么条件下做的选择） 3. 记录决策的结果（成功/失败/部分成功） 4. 如果结果是失败，记录失败原因 5. 输出格式为JSON数组，每个元素包含：situation, action, result, lesson 如果没有可提取的经验，返回空数组。 """

这个prompt的关键在于“情境-行动-结果-教训”四要素结构。我试过只提取“行动”和“结果”，发现后续检索时缺少情境匹配的依据，效果差很多。

蒸馏质量的评估。我建议在蒸馏环节加一个“质量门控”——用另一个LLM调用对蒸馏结果做评分，低于阈值的直接丢弃。评分维度包括：情境描述是否具体、行动是否可复用、结果是否明确。这个门控会增加成本，但能显著提升记忆库的信噪比。

注意：蒸馏prompt中的“如果没有可提取的经验，返回空数组”这一条非常重要。早期版本我没加这句，LLM会强行编造经验，导致记忆库被大量低质量条目污染。

3.2 记忆检索：不只是向量相似度

hindsight的检索机制比传统RAG复杂得多，它综合了多个信号：

语义相似度。这是基础信号，用embedding模型计算当前情境与记忆条目的语义距离。但hindsight不会只用这一个信号，因为语义相似不等于经验适用。

情境匹配度。每条经验条目都带有情境标签（比如“用户情绪激动”、“涉及退款”、“首次咨询”），检索时会计算当前情境与记忆情境的标签重合度。这个信号能有效过滤掉“语义相似但情境不同”的干扰项。

时效性权重。记忆是有保质期的。hindsight给每条记忆条目维护一个“新鲜度分数”，随时间衰减，但被成功调用后会“刷新”。这个机制模仿了人类记忆的遗忘曲线——常用的记忆更清晰，不常用的逐渐模糊。

结果反馈权重。成功经验比失败经验的权重更高，但失败经验不会被丢弃，而是在特定情境下优先展示（比如当前情境与失败经验的情境高度匹配时，系统会主动提醒“类似情况下曾经失败过”）。

检索的完整流程是：先用向量检索召回Top-K候选，然后用情境标签做粗排，再用时效性和结果反馈做精排，最后取Top-N注入上下文。这个流程的每一步都有可调参数，我后面会给出推荐配置。

3.3 MCP接口设计：让Agent无缝调用记忆服务

hindsight作为MCP Server，需要定义清晰的工具接口。我参考MCP协议规范和热搜词中提到的“mcp server”、“mcp教程”等内容，设计了以下核心接口：

{ "tools": [ { "name": "memory_write", "description": "写入一条经验记忆", "inputSchema": { "type": "object", "properties": { "situation": {"type": "string", "description": "情境描述"}, "action": {"type": "string", "description": "采取的行动"}, "result": {"type": "string", "description": "结果反馈"}, "lesson": {"type": "string", "description": "经验教训"}, "tags": {"type": "array", "items": {"type": "string"}, "description": "情境标签"} }, "required": ["situation", "action", "result"] } }, { "name": "memory_recall", "description": "根据当前情境检索相关经验", "inputSchema": { "type": "object", "properties": { "current_situation": {"type": "string", "description": "当前情境描述"}, "top_k": {"type": "integer", "default": 5, "description": "返回条数"}, "min_score": {"type": "number", "default": 0.6, "description": "最低匹配分数"} }, "required": ["current_situation"] } }, { "name": "memory_forget", "description": "主动遗忘某条记忆", "inputSchema": { "type": "object", "properties": { "memory_id": {"type": "string", "description": "记忆ID"}, "reason": {"type": "string", "description": "遗忘原因"} }, "required": ["memory_id"] } } ] }

这三个接口覆盖了记忆的写入、检索、删除三个基本操作。实际使用中，Agent在每轮对话结束后调用memory_write，在决策前调用memory_recall，在发现某条记忆过时或错误时调用memory_forget。

提示：MCP接口的description字段非常重要，LLM是根据这个描述来决定何时调用工具的。描述要写得具体、有场景感，不要写“写入记忆”这种模糊表述，要写“当对话中出现明确的决策-结果对时，调用此工具写入经验记忆”。

3.4 记忆衰减与遗忘机制

这是hindsight区别于普通RAG方案的关键设计。记忆不是越多越好，低质量记忆会拖累检索效果。hindsight的衰减机制包含三个维度：

时间衰减。每条记忆有一个freshness分数，初始为1.0，每天乘以0.95。这意味着大约14天后，记忆的新鲜度降到0.5以下。但被成功调用后，freshness会重置为1.0。

调用衰减。如果一条记忆被检索到但从未被Agent实际采用（Agent看了但没按它做），它的utility分数会下降。这个信号说明这条记忆“看起来相关但实际没用”。

冲突衰减。当新记忆与旧记忆在相同情境下给出矛盾的行动建议时，系统会标记冲突，降低旧记忆的权重，并在下次检索时优先展示新记忆。

这三个维度的分数综合计算出一个memory_score，低于阈值的记忆会被移入“冷存储”，不再参与常规检索，但保留用于审计和回溯。

4. 基于Docker的完整部署实操

4.1 环境准备与Docker安装避坑

hindsight的部署依赖Docker和Docker Compose。热搜词里“docker安装”、“docker desktop安装教程”、“windows安装docker”、“ubuntu安装docker”出现频率很高，说明安装环节是很多人的第一道坎。我分别说一下Windows和Linux下的安装要点。

Windows下的Docker Desktop安装。最常见的报错是“virtualization support not detected”和“docker desktop failed to start”。前者需要在BIOS里开启虚拟化支持（Intel VT-x或AMD-V），后者通常是WSL2没装好。我的建议是：先确认BIOS虚拟化已开启，然后以管理员身份运行wsl --install，重启后再装Docker Desktop。如果还报错，检查Hyper-V是否与WSL2冲突，必要时在“启用或关闭Windows功能”里关掉Hyper-V。

Ubuntu下的Docker安装。官方脚本curl -fsSL https://get.docker.com | sh最省事，但国内网络环境下可能超时。我的做法是先用apt安装docker.io，再手动装docker-compose-plugin。安装完成后务必执行sudo usermod -aG docker $USER把当前用户加入docker组，否则每次都要sudo。

Docker网络问题的排查。热搜词里“docker网络不通”是个高频问题。hindsight的容器需要互相通信（Agent容器访问记忆服务容器），如果网络不通，先检查三点：一是容器是否在同一自定义网络中（不要用默认的bridge网络）；二是端口映射是否正确（docker ps看PORTS列）；三是防火墙是否拦截了容器间通信。我习惯在docker-compose.yml里显式定义网络：

networks: hindsight-net: driver: bridge ipam: config: - subnet: 172.28.0.0/16

4.2 docker-compose编排文件详解

hindsight的完整部署涉及四个服务：记忆服务本体、向量库、关系库、Redis缓存。以下是经过我实测可用的docker-compose.yml：

version: '3.8' services: hindsight-core: build: ./hindsight ports: - "8080:8080" environment: - VECTOR_DB_URL=http://vector-db:8000 - RELATION_DB_URL=postgresql://user:pass@relation-db:5432/hindsight - REDIS_URL=redis://redis-cache:6379 - LLM_API_KEY=${LLM_API_KEY} - LLM_MODEL=gpt-4o-mini depends_on: - vector-db - relation-db - redis-cache networks: - hindsight-net restart: unless-stopped vector-db: image: milvusdb/milvus:v2.3.0 ports: - "19530:19530" volumes: - vector-data:/var/lib/milvus networks: - hindsight-net restart: unless-stopped relation-db: image: postgres:15-alpine environment: - POSTGRES_USER=user - POSTGRES_PASSWORD=pass - POSTGRES_DB=hindsight volumes: - relation-data:/var/lib/postgresql/data networks: - hindsight-net restart: unless-stopped redis-cache: image: redis:7-alpine command: redis-server --maxmemory 256mb --maxmemory-policy allkeys-lru volumes: - redis-data:/data networks: - hindsight-net restart: unless-stopped volumes: vector-data: relation-data: redis-data: networks: hindsight-net: driver: bridge

这个编排文件有几个设计决策需要解释：

为什么选Milvus而不是Chroma或Qdrant？Milvus在数据量超过百万级时性能优势明显，而且支持标量字段过滤，这对hindsight的情境标签过滤很重要。如果只是小规模测试，Chroma更轻量，但生产环境建议Milvus。

为什么关系库和向量库分开？经验条目的结构化字段（情境标签、时效分数、调用次数）存在关系库里，向量存在Milvus里，两者通过memory_id关联。这样做的好处是结构化查询和向量检索各司其职，不用在向量库里硬塞结构化字段。

Redis的作用是什么？缓存最近活跃的记忆条目，减少向量库查询压力。另外瞬时记忆也放在Redis里，设置TTL自动过期。

4.3 记忆服务的核心代码实现

hindsight-core的核心逻辑我用Python实现，关键部分如下：

import json from datetime import datetime, timedelta from typing import List, Dict class HindsightMemory: def __init__(self, vector_client, relation_client, redis_client, llm_client): self.vector = vector_client self.relation = relation_client self.redis = redis_client self.llm = llm_client def distill(self, dialogue: str) -> List[Dict]: """从对话中蒸馏经验条目""" prompt = DISTILL_PROMPT.format(dialogue=dialogue) response = self.llm.chat(prompt) try: experiences = json.loads(response) except json.JSONDecodeError: return [] # 质量门控 valid = [] for exp in experiences: score = self._quality_score(exp) if score >= 0.7: exp['quality_score'] = score valid.append(exp) return valid def write(self, experience: Dict) -> str: """写入一条经验记忆""" memory_id = self._generate_id() # 生成embedding embedding = self.llm.embed(experience['situation']) # 写入向量库 self.vector.insert( collection="experiences", vectors=[embedding], ids=[memory_id], metadata={"tags": experience.get('tags', [])} ) # 写入关系库 self.relation.execute( """INSERT INTO experiences (id, situation, action, result, lesson, tags, freshness, utility, created_at) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s)""", (memory_id, experience['situation'], experience['action'], experience['result'], experience.get('lesson', ''), json.dumps(experience.get('tags', [])), 1.0, 1.0, datetime.now()) ) return memory_id def recall(self, situation: str, top_k: int = 5, min_score: float = 0.6) -> List[Dict]: """检索相关经验""" # 向量召回 embedding = self.llm.embed(situation) candidates = self.vector.search( collection="experiences", vector=embedding, limit=top_k * 3 # 多召回一些用于精排 ) # 精排 scored = [] for cand in candidates: mem = self.relation.query_one( "SELECT * FROM experiences WHERE id = %s", (cand['id'],) ) if not mem: continue score = self._compute_score(mem, situation, cand['distance']) if score >= min_score: scored.append({**mem, 'score': score}) scored.sort(key=lambda x: x['score'], reverse=True) return scored[:top_k] def _compute_score(self, memory: Dict, situation: str, vector_distance: float) -> float: """综合评分""" # 语义相似度（距离转相似度） semantic = 1.0 - vector_distance # 情境标签匹配度 current_tags = self._extract_tags(situation) memory_tags = json.loads(memory['tags']) tag_match = len(set(current_tags) & set(memory_tags)) / \ max(len(set(current_tags) | set(memory_tags)), 1) # 时效性 age_days = (datetime.now() - memory['created_at']).days freshness = memory['freshness'] * (0.95 ** age_days) # 效用 utility = memory['utility'] # 加权综合 return (0.4 * semantic + 0.3 * tag_match + 0.15 * freshness + 0.15 * utility)

这段代码的核心是_compute_score方法，它把四个信号加权综合。权重是我经过多轮调参确定的：语义相似度占40%，情境标签匹配占30%，时效性占15%，效用占15%。如果你的场景对时效性特别敏感，可以把freshness的权重提到25%。

4.4 与Agent框架的集成方式

hindsight作为MCP Server，需要和Agent框架对接。以常见的LLM Agent框架为例，集成步骤大致如下：

第一步：启动hindsight服务。用docker-compose up -d启动所有容器，确认http://localhost:8080/health返回200。

第二步：在Agent框架中注册MCP Server。不同框架的注册方式不同，但核心都是配置MCP Server的地址和工具列表。以支持MCP的框架为例：

from mcp_client import MCPClient mcp = MCPClient("http://localhost:8080/mcp") tools = mcp.list_tools() # tools 包含 memory_write, memory_recall, memory_forget

第三步：在Agent的决策循环中插入记忆调用。典型流程是：

def agent_step(user_input, context): # 1. 检索相关经验 experiences = mcp.call("memory_recall", { "current_situation": user_input, "top_k": 3 }) # 2. 把经验注入上下文 if experiences: context += "\n\n相关经验：\n" for exp in experiences: context += f"- 情境：{exp['situation']}\n" context += f" 行动：{exp['action']}\n" context += f" 结果：{exp['result']}\n" # 3. LLM决策 response = llm.chat(context + user_input) # 4. 异步蒸馏本轮对话 async_distill(user_input, response) return response

这个集成方式的关键在于：记忆检索在LLM决策之前，记忆写入在决策之后且异步执行。这样既保证了决策时有经验可参考，又不影响主流程的响应速度。

5. 常见问题与排查技巧实录

5.1 记忆检索不准确的问题排查

这是最高频的问题。表现是Agent检索到的经验与当前情境不相关，或者相关经验排在了后面。排查思路如下：

我踩过最坑的一个问题是：embedding模型用的是通用模型，但在客服场景下，“退款”和“退货”在语义空间里距离很远，导致相关经验检索不到。后来换了一个在电商语料上微调过的embedding模型，召回率提升了30%以上。

5.2 记忆膨胀与性能衰减的治理

跑了一段时间后，记忆库会膨胀，检索性能下降。我总结的治理策略：

定期归档。每周跑一次归档任务，把memory_score低于0.3的条目移入冷存储表。冷存储不参与常规检索，但保留用于审计。

合并相似条目。用聚类算法找出相似度超过0.9的记忆条目，合并成一条，保留最新的结果反馈。这个操作能压缩30%-50%的记忆量。

限制单次检索返回条数。不要贪多，Top-3到Top-5足够。返回太多经验会挤占上下文窗口，反而降低LLM的决策质量。

监控记忆库的“信噪比”。我定义了一个简单指标：随机抽100条记忆，人工标注其中“真正有用”的比例。低于60%就需要做清理了。

5.3 MCP连接失败的排查清单

热搜词里“mcp连接”、“mcp server”出现频率很高，说明MCP的连接问题是普遍痛点。hindsight作为MCP Server，常见的连接失败原因和排查步骤：

1. 检查MCP Server是否启动。curl http://localhost:8080/mcp/health，如果返回连接拒绝，说明服务没起来，看Docker日志。

2. 检查协议版本是否匹配。MCP协议有版本差异，客户端和服务端的版本不匹配会导致握手失败。在配置中显式指定协议版本。

3. 检查工具注册是否成功。调用list_tools接口，确认返回了memory_write、memory_recall、memory_forget三个工具。如果返回空列表，检查服务端的工具注册代码。

4. 检查网络连通性。如果Agent和hindsight不在同一台机器上，确认防火墙开放了8080端口，且Docker的端口映射正确。

5. 检查认证配置。如果MCP Server开启了认证，客户端需要带上正确的token。热搜词里出现的wss://api.xiaozhi.me/mcp/?token=...就是一种带token的MCP连接方式，hindsight也支持类似的token认证。

注意：MCP连接失败时，错误信息往往很模糊。我的经验是先在服务端打开debug日志，看请求有没有到达服务端。如果请求到了但握手失败，问题在协议层；如果请求根本没到，问题在网络层。

5.4 蒸馏质量不稳定的调优经验

蒸馏质量直接决定记忆库的质量，但LLM的输出本身有随机性。我总结了几条调优经验：

降低temperature。蒸馏任务不需要创造性，把temperature设到0.1甚至0，能显著提升输出格式的稳定性。

用few-shot示例。在蒸馏prompt里放2-3个高质量的蒸馏示例，LLM会模仿示例的格式和粒度。这比单纯用文字描述要求有效得多。

加输出格式校验。蒸馏结果必须是合法的JSON数组，每个元素必须包含situation、action、result三个字段。校验不通过的直接丢弃，不要试图修复。

定期人工抽检。每周抽20条蒸馏结果人工评估，发现质量问题及时调整prompt。我坚持做了两个月，蒸馏准确率从最初的50%提升到了85%以上。

考虑用更强的模型做蒸馏。蒸馏是一次性成本，用GPT-4做蒸馏、用更便宜的模型做推理，整体成本可控且质量有保障。我实测下来，GPT-4蒸馏的经验条目在后续检索中的采用率比7B模型蒸馏的高出40%。

6. 记忆系统的扩展方向与个人实践体会

hindsight这套方案跑通之后，我陆续做了一些扩展尝试，有几个方向值得分享。

跨Agent的记忆共享。多个Agent共用同一个hindsight服务，每个Agent写入的经验带上Agent ID标签，检索时可以按Agent过滤，也可以跨Agent检索。这个在Multi-Agent场景下很有用——一个Agent踩过的坑，其他Agent可以直接避开。

记忆的可解释性。在检索结果中附带“为什么这条记忆被召回”的解释，比如“情境标签匹配度80%，语义相似度75%”。这个解释对调试很有帮助，也能让用户理解Agent的决策依据。

与知识库的联动。热搜词里出现了“llm wiki知识库”、“rag和llm wiki”这些词，说明很多人关心记忆和知识库的关系。我的理解是：知识库存的是“客观事实”，记忆存的是“主观经验”。两者可以互补——Agent先用知识库回答事实性问题，再用记忆处理经验性问题。hindsight的MCP接口可以和知识库的MCP接口并存，Agent根据问题类型选择调用哪个。

记忆的版本管理。当业务规则变化时，旧的经验可能不再适用。我加了一个“记忆版本”字段，新版本的经验写入后，旧版本的自动降权。这个机制在业务快速迭代的场景下很实用。

最后分享一个我在实际使用中的小技巧：给记忆条目加“来源可信度”标签。来自真实用户反馈的经验可信度最高，来自Agent自己推理的经验可信度中等，来自模拟测试的经验可信度最低。检索时按可信度加权，能有效避免Agent被自己的错误推理带偏。这个标签不需要LLM判断，在写入时根据来源自动打标即可，实现成本很低但效果很明显。