观察是从多条原始事实和经验中自动合并出的高层模式。它不是单条事实的简单保存，而是系统在积累多条相关记忆后，对其中重复、相似或持续出现的信息进行归纳，形成更稳定的理解。

例如，系统多次记录到：用户偏好暗色模式+用户关闭了亮色模式自动切换+用户多次选择深色主题。那么这些原始事实可以被合并为一条观察：用户持续偏好暗色模式。

如何产生

多条原始事实和经验在经过系统自动整合后，会形成更稳定的记忆。观察是在存储之后，由系统的知识整合机制自动产生。当用户或 Agent 持续写入记忆后，系统会先提取原始事实和经验，再对相关内容进行分组和合并。如果多条事实和经验反复指向同一个模式，系统就会使用 LLM 将它们提炼为一条更高层的观察。

作用

如果系统只保存原始事实和经验，Agent 可能会反复看到很多相似记录；而有了观察后，Agent 可以直接理解为合并后的高层模式，减少重复信息干扰。因此，观察能减少上下文噪声，并提升检索和推理的稳定性。

作用	说明
合并重复信息	将多条相似事实和经验整合成一条更清晰的模式
提升检索质量	观察的检索优先级高于普通原始事实和经验，更容易被召回
支持综合推理	反思可以基于观察进行更稳定的总结和判断
生成心智模型基础	观察可以作为心智模型生成的重要依据

新鲜度状态

每条观察都有新鲜度状态，反映它被近期证据支持的程度。这样可以让系统在使用长期记忆时兼顾历史信息和近期变化。

状态	含义
new	新生成的观察，仍在积累证据
strengthening	近期有更多证据支持，观察正在增强
stable	长期有稳定证据支持，可信度较高
weakening	近期支持证据减少，观察可能发生变化
stale	长时间没有新证据支持，观察可能已经过时

例如，如果用户过去多次选择暗色模式，系统可能形成"用户持续偏好暗色模式"的观察。但如果用户近期开始频繁切换到亮色模式，这条观察的状态可能从 stable 逐渐变为 weakening，甚至 stale。

Consolidation 整合

Consolidation 整合是存储后的后台合成流程，用于将分散的事实和经验进一步整理为更高层的观察。它不会影响存储主流程的返回，但会影响观察何时生成、何时可被检索或反思使用。

存储返回后异步运行

当存储正常完成后，系统会解析当前记忆库的配置。如果配置中启用了观察，系统会提交一个后台 Consolidation 任务。该任务以异步方式运行，不会阻塞存储返回。因此，存储成功只代表事实和经验类的记忆已经写入完成，并不代表观察生成完成，即不能假设存储返回后观察立即可用。

观察层的维护

在该阶段，系统会将新写入的事实和经验，和已有的相关观察一起交给 LLM 处理。LLM 会根据新旧信息之间的关系，对观察进行创建、更新、删除等操作。

一致性保证

为了保证观察层与底层数据保持一致，当源记忆或文档被删除时，系统会同步维护相关观察。

成本、延迟和一致性预期

启用观察后，存储记忆的主流程仍然可以快速返回，但系统会额外增加一条后台 LLM 工作流。

生产环境需要关注以下影响：

影响项	说明
LLM 成本	Consolidation 会额外调用 LLM，调用次数受 batch size、重试和事实和经验数量影响。
后台延迟	从新的事实和经验写入到观察生成之间存在异步延迟，不能假设立即可见。
失败重试	LLM 限流、超时或格式失败可能导致 failed_consolidation 增加，需要监控和恢复。
在线检索变化	默认检索会把观察加入候选池，返回结果可能从多条原始事实和经验变成一条综合观察。
追溯源事实时的 token 开销	对源事实的追踪 include.source_facts 或在反思阶段包括源事实时会增加响应体和上下文 token。

使用建议

观察是"长期、可复用、跨会话、可演化"的记忆形式。它适合帮助系统沉淀稳定模式，但并不替代原本的事实和经验记忆，也不适用于所有查询场景。

优势

优势	说明	边界
压缩长期知识	将多条相关事实和经验合成一条更稳定的长期认知，减少上下文开销。	不是所有事实都会合并；合并效果依赖材料表达、提示词和 consolidation LLM 判断。
保留证据链	观察能记录来源；启用 include.source_facts 时，检索阶段会返回源事实的 id 和明细。	审计或逐字引用仍应回到底层原本的事实和经验及原始文档切片。
支持知识演化	新事实可以更新已有观察，并保留旧版本。	下游答案是否变好还取决于检索/反思阶段是否用到相关观察。
改善长期问题的记忆检索	默认检索可以同时召回客观事实、主观经验和观察这三类记忆。	某次具体事件、原始措辞、精确出处仍然更适合事实和经验类记忆。
改善反思推理的输入	反思可以使用更高层的观察作为证据输入。	不应理解为所有小样本都会从错变对；事实和经验足够全时也可能答对。

使用场景

观察更适合用于长期稳定、反复出现、需要跨会话理解的问题，例如：

• 用户长期偏好；
• 客户画像；
• 稳定项目背景；
• 跨会话反复出现的问题；
• "现在是否仍然成立"的演化问题。

对于需要还原具体事实、原始表达或精确来源的问题，建议仍使用事实和经验，例如：

• 某次具体事件；
• 原始措辞；
• 精确出处；
• 需要逐条审计的证据。

常见误区

• 存储返回后观察已经可用：观察是通过后台任务异步合成。
• 观察会替代事实和经验：事实和经验仍然保留，观察是额外的长期知识层。
• 观察模块的提示词是对默认提示词的补充：会替换默认提示词文本。如果写得过窄，可能导致观察变少；但通用处理规则仍会保留。
• 开启观察一定提升所有问题准确率：主要改善长期偏好、跨会话模式和演化类问题。具体事件查询仍可能更依赖事实和经验类型的记忆。