eBay支付风险Agent记忆系统实践：从Agentic RAG到可进化的混合知识图谱

2026-05-25

eBay支付风险Agent记忆系统实践：从Agentic RAG到可进化的混合知识图谱

导语

在大模型Agent从单次对话向具备长期记忆系统演进的浪潮中，企业级落地面临着真实的鸿沟：通用大模型缺乏对企业内部概念的精确理解，更缺乏业务全局观。在eBay支付风险团队面临的EDP（eBay Decision Platform）迁移场景中，我们需要将复杂的Java风控逻辑转化为配置化规则。这一过程涉及大量的内部概念对齐与多跳推理，如果没有记忆系统，Agent极易产生迁移错误；而如果记忆系统设计不当，又会陷入局部视野与知识冲突的陷阱。

本文将复盘eBay支付风险团队构建Agent记忆系统的演进路径：从初期的Agentic RAG，到引入静态与动态结合的混合知识图谱，再到基于Graphiti实现记忆的有机进化，以及如何构建保障安全性的评估体系。

核心问题与挑战

在EDP迁移场景下，让Agent辅助风控规则迁移，我们面临四个核心挑战：

内部概念与全局观缺失：LLM不懂eBay内部的风控术语与业务拓扑，导致迁移张冠李戴。
纯向量检索的盲区：面对“该规则依赖了哪些模型，这些模型又关联了哪些变量？”的多跳推理，纯向量检索基于局部相似性，无法胜任全局拓扑查询。
静态记忆的冲突与过时：风控规则高频变更，同一概念在不同检查点命名不同（实体歧义），静态知识库无法处理版本冲突与交互反馈，导致知识自相矛盾。
记忆更新的回归风险：记忆动态更新后，可能破坏原本正确的推理路径，引发隐性回归错误。

方案与实践

阶段一：Agentic RAG —— 解决特定查询的高效召回

作为初始方案，我们构建了包含初始化、检索、成长三阶段的Agentic RAG长期记忆系统：

初始化阶段：对历史代码与配置进行预清洗、分块、丰富与向量化存储。
检索阶段：采用多视角查询增强、混合检索与重排序策略，提升召回精度。
成长阶段：引入非个性化的反馈知情机制，让记忆库随交互逐步丰富。

该方案有效解决了指定查询的准确率与召回问题，辅助了错误处理与概念问答。但很快我们触达了瓶颈：RAG缺乏全局视角，且无法解决程序性记忆（如何做迁移）的冲突，Agent无法进行有效的自主探索。

阶段二：混合知识图谱 —— 突破全局推理与程序性记忆瓶颈

为突破纯向量检索的局限，我们引入了知识图谱（KG），并采用静态与动态结合的混合Schema：

静态图谱（结构骨架）：收敛于通用概念（如Checkpoint、Rule、Model等），提供全局拓扑视角。
动态图谱（事件与反馈）：承载业务特例与交互沉淀。

构建策略与人机协同
构建静态图谱时，我们坚持“用例驱动、稳定性优先、可对齐”三大策略。在工程落地上，我们通过JSON Schema作为契约，利用Claude Code探索代码库与配置，人类制定提取逻辑，Agent严格执行生成图谱，实现“人类掌控规则，Agent高效执行”。

技能即程序性记忆
我们将图谱构建与迁移流程沉淀为可复用的Agent Skill（基于自然语言规范描述目标与边界）。这在认知框架上，将Agent Skills映射为人类的程序性记忆（“我知道如何做X”），补齐了RAG阶段缺失的执行经验。

阶段三：记忆进化 —— 基于Graphiti的有机体生长

混合KG解决了结构问题，但实体歧义与交互反馈的沉淀仍需动态机制。我们将记忆视为可生长、可纠错的有机体，引入Graphiti实现记忆的动态进化：

双时态模型：每个事实携带两个时间戳——事件发生的时间与我们知晓的时间，精准追踪知识时效。
实体解析与冲突解决：当新知识写入时，自动对齐不同检查点中的同名概念，解决语义冲突。
分工协同：静态KG掌握结构，Graphiti掌握发生了什么与我们学到了什么。两者结合，形成了语义记忆（静态结构）、情景记忆（动态事件）与程序性记忆（Skills）的三层有机架构。

阶段四：质量保障 —— 记忆评估体系

记忆的进化必须受控。我们基于DeepEval与黄金用例构建了三层评估体系：

检索正确性：Agent是否检索到了正确的记忆节点。
回答忠实度：生成的回答是否严格基于检索到的记忆，而非幻觉。
回归安全性：基于黄金用例的任务级回归测试，确保记忆更新不会破坏原有正确的迁移任务。

原则/方法论沉淀

在构建Agent记忆系统的过程中，我们沉淀了四条核心工程原则：

Think big, start small：从真实的业务问题出发，精准定义问题，不要一开始就追求万能架构。
Stability first：静态图谱的核心必须收敛于通用概念，绝不能将高频变更的业务特例下沉到基础骨架中。
Human owns the rules：人类制定提取逻辑与规则边界，Agent严格执行，严禁Agent自行解释或越权发挥。
Memory as an organism：记忆不是静态的数据库，而是随交互生长、自我纠错与进化的有机体。

总结与行动建议

从Agentic RAG到混合知识图谱，再到动态进化的有机记忆，eBay支付风险Agent的记忆系统演进，本质上是不断弥补LLM局部视野与静态知识缺陷的过程。对于准备构建企业级Agent记忆系统的团队，我们的行动建议是：

起步期：用Agentic RAG快速解决长尾概念QA与单跳查询问题，积累初始数据。
瓶颈期：当业务出现明显的多跳推理与全局拓扑需求时，果断引入静态KG，并用JSON Schema约束人机协同构建流程。
进化期：面对概念歧义与知识更新，引入双时态模型与实体解析机制，让记忆具备自我对齐与纠错能力。
底线：在任何记忆更新环节，必须配备基于黄金用例的回归测试，守住业务正确性的底线。

开放问题与延伸方向

Graphiti的双时态模型在eBay支付风控这种高频变更场景下，其实际的写入延迟与查询吞吐量基准表现如何？ —— 正文聚焦架构演进，生产落地需补充具体的性能基准数据。
将记忆视为可自我纠错的“有机体”，在金融风控这种容错率极低的业务中，是否潜藏着不可解释的失控直觉担忧？ —— 有机体理念需配合严格评估，避免低容错业务中的不可解释性。
当动态图谱中的业务特例随交互无限膨胀时，如何防止其反噬静态KG的稳定性，导致系统可维护性崩溃？ —— 需设定动态图谱的边界与裁剪机制，防止无限膨胀破坏核心骨架。
在高频并发的风控规则更新下，Graphiti的实体解析与冲突解决机制如何避免图谱状态的脏写或推理死锁？ —— 冲突解决机制在并发写入下的鲁棒性是工程落地的关键考验。
基于DeepEval的单查询评估和黄金用例回归，能否真正捕捉到多跳推理中因记忆动态更新导致的隐性回归错误？ —— 当前评估体系侧重单查询与任务级，多跳推理链路的隐性破坏仍是检测难点。
将Agent Skills映射为程序性记忆并沉淀为可复用资产，这种模式能否低成本泛化至eBay推荐或客服等异构业务域？ —— 程序性记忆的沉淀模式具备跨域复用潜力，值得探索其泛化成本。
静态KG作骨架、Graphiti作血肉的混合架构，是否在当前大模型企业落地中，于工程复杂度与推理能力间取得了最佳平衡？ —— 该架构是当前工程约束下的较优解，平衡了确定性与灵活性。
若引入图神经网络(GNN)对Graphiti沉淀的动态事件子图进行表征学习，能否突破LLM提取的局限，实现风控模式的自动发现？ —— 基于动态子图的GNN表征学习，可能成为突破LLM提取上限的新路径。
假设突破“Human owns the rules”原则，允许Agent在隔离沙盒中通过强化学习自主演化Schema，是否可能颠覆当前人机协同的效率上限？ —— 自主演化Schema是激进但具想象力的方向，需在安全沙盒内验证。
从Agentic RAG演进到混合知识图谱架构，驱动这一架构跃迁的量化拐点或核心判据究竟是什么？ —— 架构跃迁不能仅凭直觉，需明确如多跳查询失败率等量化触发指标。
审视整个记忆系统的生命周期，当前最大的工程瓶颈是图谱构建的人力成本、LLM推理延迟，还是评估体系的覆盖度？ —— 人力、延迟与评估覆盖度是后续迭代需持续博弈的三角瓶颈。