PilotDeck白盒记忆接入Milvus3.0 支持高效检索与快速回滚

传统AI Agent的记忆管理通常采用将每轮对话转换为向量存入数据库，提问时按余弦相似度检索前几条结果的方式。这种黑盒方案存在两个明显缺陷：多任务并行时不同工作的上下文容易混杂；若Agent记错参数或后台整理记忆时遗漏关键约束，用户既无法查看底层存储的内容，也无法一键回退到之前的状态。

最近开源的PilotDeck提供了一套白盒记忆方案，通过工作空间隔离不同记忆，支持人工修改和置顶操作；系统空闲时还会启动“梦境模式”，自动将零散的短期记录提炼合并为长期记忆，并支持随时回滚。不过，该方案默认使用本地Markdown文件存储记忆条目，依赖拷贝目录实现回滚，底层并未构建向量索引，无法满足大规模检索的需求。

为了让这套白盒记忆具备高效的向量检索能力，同时保留置顶排序、自动过期和快速回滚等特性，团队将其记忆结构迁移到了Milvus 3.0版本，成功跑通了完整的读写与快照回滚链路。本次实验重点验证该存储方案的可行性，涵盖四项核心测试方向：工作空间过滤与长文本存储、临时记忆自动过期、服务端多字段排序、合并出错时的快照回滚。

工作空间隔离与临时记忆自动过期

本次实验使用Milvus 3.0.1与PyMilvus 3.0.2，向量维度设为1024维，采用HNSW索引（COSINE距离度量）。创建集合时，将工作空间标识设为分区键，通过TIMESTAMPTZ类型配合集合属性开启记录级过期功能。

建表时有两个关键细节需注意：一是置顶状态字段使用INT8类型而非BOOL，因为服务端排序仅支持数值型和字符串，用1和0表示置顶状态可直接参与排序；二是长文本存储，单条记忆在64KB以内时用VARCHAR类型，超过则需开启StorageV3配置后使用TEXT类型。

测试时向指定工作空间写入三条数据：一条置顶规范、一条23KB的长文档、一条4秒后过期的临时记录。写入后立即查询返回三条结果，等待6秒后临时记录自动被过滤，仅保留两条长期记忆，无需额外定时脚本清理。

白盒面板检索与服务端排序

为测试多字段排序效果，向工作空间追加20条讨论碎片，其中一条设为置顶。通过查询接口传入排序规则，返回结果中置顶记忆优先排列，未置顶记录按置信度降序，置信度相同时按更新时间从新到旧排列，整个排序过程在服务端完成。

向量搜索路径的排序逻辑略有不同，仅对ANN向量召回的候选集做二次重排，而非全表排序。置顶记录需先进入候选集，才会出现在结果中，避免将语义无关的置顶结果强行排入。

若需统计各工作空间的有效记忆条数，可通过分组查询实现，直接获取不同工作空间的记忆数量。

梦境模式整合与快照回滚

梦境模式合并记忆时若出错，可通过Milvus 3.0的快照功能快速回滚。实验先写入10000条背景向量，启动梦境模式前创建快照，快照仅生成指向现有分区的元数据，未拷贝底层向量文件，耗时极短。

模拟合并出错的场景：写入错误归纳记忆并删除原有碎片，此时查询仅返回3条结果。通过快照回滚流程，将快照恢复到新集合，加载后切换业务别名，即可恢复原始22条记忆，错误记忆被彻底清除。

性能对比显示，快照回滚比传统重建索引快2.72倍，因为复用了现有数据段和索引文件，跳过了向量距离计算与建图过程，记忆库规模越大，优势越明显。

总结

将PilotDeck这类白盒记忆系统迁移到Milvus 3.0后，原本需要本地备份、定时清理和应用层排序的逻辑可整合到同一集合中：通过分区键隔离工作空间，通过TTL自动淘汰短期记忆，通过服务端排序和分组统计简化应用逻辑，通过快照实现快速回滚。对于需要长期运行、支持人工干预的AI Agent来说，Milvus 3.0不仅是向量检索组件，更是可靠的记忆存储底座。