欢迎回来！上一节课，我们给 XiaoPaw 建立了搜索驱动的记忆系统——用 pgvector 把每一轮对话向量化入库，让 Agent 能精准召回几个月前的某次分析结论。至此，三层记忆的最后一块拼图落地了。

但学完 19、20、21 课，你心里可能有一个问题：这三层能力，怎么在一个真实产品里协同工作？ 光懂原理不够，还得看得见、用得上。这就是今天这节课要做的事：我们把 L19 上下文层、L20 文件层、L21 搜索层全部集成进来，把 XiaoPaw 从一个工具升级成一个真正懂你的长记忆助手。

这是模块三的收官实战。把它跑通之后，你就拥有了一个可以真正交付的、带完整记忆系统的 AI 助手工程模板。

一、需求分析：模块三开篇留的坑，今天来填

还记得第 18 课吗？我们当时拿 XiaoPaw 做解剖，找出了它最致命的四个记忆缺陷。

从图里可以看到，左边那只茫然的小爪子有四个硬伤：

• 跨 session 失忆：你昨天跟它说的所有话，今天重启之后全忘。每次对话都是从陌生人开始。

• 长对话崩溃：聊太久了，token 超限，直接报错。工具越强大，这个问题越刺眼。

• 偏好学习为零：你说了一百遍"别用表格"，它下次还用。没有持久化写通道，说再多都白说。

• 历史回忆空白：问"我上次那个投资分析结论是什么"，一问三不知。当时就算跟它聊过，它也完全想不起来。