L02 练习
练习 1：量化「存原文 vs 存提炼」的检索质量（设计实验类）
本课 code.py 演示了"存原文 vs 存提炼"的差异，但只是定性对比。设计实验量化：
- 假设：提炼式记忆的 recall 精确率（命中里相关的比例）高于全存式。
- 实验： - 构造 10 条 findings（5 条关于 MCP、5 条关于其他主题，混杂）。 - 方案 A 全存，方案 B 反思式提炼。 - 对 5 个 MCP 相关 query 做 recall，统计：① 召回率（相关记忆被命中的比例）② 精确率（命中的里相关的比例）③ 平均条目长度（token 成本）。
- 预期：精确率 B > A（提炼去噪了），条目长度 B < A（更短）。
验收：输出三列对比表（召回率/精确率/平均长度），诚实标注假 embedding 可能让召回率两方案都不高。
练习 2：实现多层反思树
本课的 consolidate 是两层（情景→语义）。Generative Agents 论文是多层的（情景→反思→更深反思）。实现三层：
- 第一层：情景记忆 → reflect_and_store → 提炼条目（已有）。
- 第二层：多条提炼条目 → consolidate → 语义结论（已有）。
- 第三层（新增）：多条语义结论 → meta_consolidate → 更抽象的"领域认知"。
示例：3 条语义结论（MCP 协议/SDK/生态）→ 1 条领域认知（"MCP 是标准化工具互操作生态，核心是协议层统一"）。
验收：第三层产出比第二层更抽象的认知，且 recall 能命中。思考：什么时候第三层有价值？（提示：语义记忆条数多了之后，需要再压缩）。
练习 3：改进遗忘策略——按质量遗忘
本课的遗忘只看时间衰减和检索频次。改进：
- 低置信度（<0.5）的记忆优先淘汰（不确定的先忘）。
- 被 consolidate 吸收过的情景记忆可以淘汰（信息已进入语义层，原料可弃）。
- 冲突记忆中，被新信息推翻的旧记忆降权（L05 冲突检测会标记）。
验收：改进后的 forget 优先淘汰低质量/已吸收/已过时的记忆，而非简单按时间。面试能讲清"遗忘不是随机丢，是有优先级的质量筛选"。