长程记忆管理

投研工作往往跨越数周甚至数月，单次对话的上下文窗口无法承载完整的研究历程。Bastix 为每个投研代理配备了多层级记忆系统，通过结构化存储、语义索引和智能压缩，使代理能够在长期研究中保持决策连贯性。

长程记忆：沙箱级项目规则

每个代理 沙箱 维护独立的项目规则文件（Agent Markdown），用于存储长期有效的研究约束、风险偏好和交易准则：

• 研究规则：关注的行业板块、分析框架、估值方法论
• 风险边界：止损阈值、仓位限制、波动率容忍度
• 交易纪律：开仓条件、平仓逻辑、复盘流程

这些规则以结构化文档形式存储，代理在每次决策时自动加载，确保长期研究中的判断标准保持一致。沙箱级隔离保证不同投研任务的规则互不干扰。

记忆压缩：会话滚动总结

当会话历史累积至上下文窗口临界点时，系统采用滚动窗口压缩机制：

1. 增量摘要：使用大语言模型对历史对话进行结构化总结，提取关键决策节点、数据发现和待办事项
2. 分层存储：近期对话保留完整记录，远期对话仅保留摘要，兼顾细节可查与存储效率
3. 上下文重建：新会话开始时，系统自动加载摘要与近期完整记录，为代理提供连贯的上下文

压缩后的摘要保留研究逻辑与结论，丢弃冗余的寒暄和重复询问，使代理在长期对话中避免遗忘关键信息。

记忆召回：语义检索能力

系统支持基于向量相似度的语义检索，将历史会话内容编码为高维向量并建立索引：

• 召回范围：支持超过 1000 次对话记录的快速检索，覆盖数月的研究历程
• 检索精度：通过语义相似度匹配，而非关键词搜索，准确定位相关历史讨论
• 触发机制：代理在需要回溯历史结论时，自动触发相似度查询，无需用户手动指定

例如，当用户询问"上次我们分析某标的时的结论"，代理可通过语义检索快速定位相关会话片段，即使时隔数周也能准确回忆。

RAG 知识管理

针对研报、论文、新闻等外部知识源，系统提供 私有知识库（RAG，Retrieval-Augmented Generation） 能力：

• 文档索引：上传的 PDF 研报、论文和新闻自动解析、分块、向量化并建立索引，扫描件与复杂表格通过 OCR 兜底读取
• 语义检索：基于本地 embedding 的向量相似度召回，可选 rerank 重排序提高相关性
• 来源可溯：表格独立成块并可溯源到具体页码，便于验证研究依据；数据全程不出沙箱

RAG 知识库与会话记忆相互补充：会话记忆捕捉用户与代理的交互历史，RAG 知识库存储结构化的外部知识，两者共同构成代理的"知识底座"。详见 私有知识库（RAG）。

持仓记忆管理

代理持续追踪当前 持仓状态，包括：

• 持仓快照：标的代码、持仓数量、成本价、浮动盈亏
• 历史变动：开仓/加仓/减仓/平仓的完整记录与触发原因
• 风险指标：持仓占比、波动率、相关性等实时计算结果

持仓记忆使代理能够在复盘时回溯交易决策路径，在新建仓时参考历史风险暴露，在止损时根据既定规则执行而非情绪驱动。

策略记忆：TAP 管理

每个交易动作点（Transaction Action Point, TAP）记录代理的决策过程与执行结果：

• 决策快照：触发时的市场数据、技术指标、基本面因子
• 执行记录：下单时间、成交价格、滑点情况
• 事后标注：盈亏结果、归因分析、经验教训

TAP 记忆为代理提供"交易日志"，支持策略回测、归因分析和迭代优化。代理在生成新 TAP 时，可参考历史 TAP 的成功案例与失败教训，逐步提升决策质量。

---

通过分层、分类的记忆架构，Bastix 投研代理能够在长期研究中积累知识、保持连贯性，并在需要时精准召回历史信息，真正实现"记忆增强的智能决策"。