AI Organizational Memory / Knowledge Asset Governance / Decision Memory Architecture

配对阅读：本篇的操作手册版（模板/RACI/门禁/runbook）是 docs/AI_ORGANIZATIONAL_MEMORY_KNOWLEDGE_ASSET_GOVERNANCE_PLAYBOOK.md。第一遍读本篇建立原理与架构判断；第二遍做案例时再用 playbook 查表落地，两者不需要重复精读。

Source Anchors

These anchors provide governance, architecture, provenance, lineage, and trustworthy AI language. They are used as design anchors, not as complete legal or compliance requirement catalogs.

Source-use discipline:

• Treat source anchors as governance vocabulary, not as copy-paste checklists.
• Record access date, authority level, owner interpretation, affected artifact, and decision impact.
• Separate official standards and principles from vendor claims, analyst opinions, and internal habits.
• When a source changes, update affected memory assets and decision records instead of silently letting old interpretations remain active.

核心导读

组织记忆不是把文档放进向量库, 也不是让 AI 记住更多上下文。对金融零售 AI 来说, memory 是一个控制面: 决定哪些知识可以被记住、引用、复用、挑战、过期、删除和替换。AI 的回答质量、责任边界和治理能力, 很大程度取决于组织记忆是否被当作知识资产治理问题处理。

真正有价值的 memory 不只是内容, 还包括出处、权威等级、适用范围、版本、决策理由、例外、反例、失效条件和责任主体。缺少这些属性时, AI 会把旧政策、个人经验、会议纪要、供应商说法和正式制度混成同等权威的“知识”, 产生比普通检索更隐蔽的风险。

问题定义

AI 系统需要上下文, 但组织的上下文天然混乱: 规章制度会变, 业务流程有例外, 决策理由散落在邮件和会议记录中, 老系统中的字段语义无人维护, 不同团队对同一术语有不同解释, 投诉和事故复盘没有进入产品知识库。把这些材料直接喂给 AI, 会放大知识债。

组织记忆需要回答八个问题:

• 哪些来源是 authoritative source, 哪些只是参考材料。
• 哪些知识可以被 AI 用于客户影响型决策, 哪些只能用于内部学习。
• 旧版本政策是否还能被引用, 在什么时间和业务对象上适用。
• 一次业务决策为什么这样做, 替代方案是什么, 后果是什么。
• 例外和豁免是否是可复用模式, 还是一次性人工判断。
• 知识错误、过期或有争议时, 谁能挑战、修正和撤回。
• 客户数据、员工信息、投诉材料和监管解释如何被最小化和隔离。
• AI 输出引用了哪些 memory, 事后能否重建来源链。

因此, organizational memory 的目标不是“让 AI 知道更多”, 而是“让 AI 只能使用被治理、可追溯、适用且未过期的知识”。

核心原理/方法

Knowledge asset card 每个可复用知识对象都应有资产卡: 来源、权威等级、所有者、适用范围、生效期、过期条件、敏感等级、可用场景、引用方式、冲突来源、验证记录和失效处置。没有资产卡的内容不应直接进入高影响 AI 流程。

Authority hierarchy 组织要区分法律法规、内部政策、操作手册、管理层决策、历史案例、培训材料、专家经验、客户沟通样本和模型生成总结。权威层级决定冲突解决顺序。AI 不应把“某位同事的处理习惯”覆盖正式政策。

Decision memory 组织记忆不仅记录结论, 还记录为什么做出某个决策: 背景、约束、替代方案、权衡、风险接受、反对意见、后果和复审条件。缺少 decision memory, 后续团队只能复制结果, 无法判断当时假设是否仍成立。

Lifecycle governance 知识资产有创建、验证、发布、使用、挑战、修订、降级、退役和删除生命周期。向量索引只是其中一个派生物, 不应成为事实源。源文档更新后, 图谱、索引、缓存、提示模板和评估集都需要同步处理。

Memory minimization 不是所有历史都值得保留。长期保存错误、偏见、个人数据、临时例外和过期解释会增加隐私、歧视、幻觉和合规风险。成熟 memory 架构同时支持记忆和遗忘。

系统/架构模型

参考架构

Authoritative source registry
  -> Ingestion and classification
  -> Knowledge asset card
  -> Claim / rule / decision extraction
  -> Knowledge graph + document store + vector index
  -> Memory policy engine
  -> Context composer
  -> AI application runtime
  -> Citation / lineage / challenge loop
  -> Retirement and deletion workflow

核心组件

Memory object 示例

memory_id: km-kyc-exception-2026-004
type: policy_exception_pattern
authority_level: approved_operating_guidance
source:
  document_id: kyc-ops-guide-v18
  section: "non-standard address evidence"
  effective_from: 2026-05-01
  owner: kyc_policy_owner
scope:
  business_domain: retail_onboarding
  channel: digital
  jurisdictions: [US]
allowed_ai_use:
  customer_facing: false
  employee_assist: true
  automated_decision: false
validity:
  expires_on: 2026-12-31
  review_trigger: policy_update_or_complaint_cluster
lineage:
  derived_from: [policy-doc-893, ops-review-112]
  generated_indexes: [vec-kyc-v42, kg-kyc-2026-06]
challenge:
  challenge_url: internal://knowledge/challenge/km-kyc-exception-2026-004

关键机制与取舍

更多记忆 vs 更可信记忆 扩展知识库可以提高召回, 但会增加过期、冲突和低权威内容进入上下文的概率。高影响场景应优先选择权威、适用、可引用的少量知识, 而不是追求“什么都能搜到”。

向量检索 vs 知识图谱 向量检索适合相似语义和非结构化文本, 但不擅长表达权威等级、生效期、冲突和适用范围。知识图谱适合关系和约束, 但建设成本更高。成熟架构通常让图谱约束候选范围, 再用向量检索补充语义匹配。

组织级 memory vs 领域自治 集中平台有利于标准化、审计和复用, 但业务知识通常由领域团队掌握。可行模式是平台统一资产卡、血缘、权限和检索接口, 领域团队拥有知识解释、发布和退役权。

保留历史 vs 遗忘风险 历史决策有助于复盘和一致性, 但可能包含过时政策、偏见和个人数据。要按用途区分保留: 审计留痕、训练材料、运营参考、客户可见知识不能混用同一保留策略。

自动萃取 vs 人工认证 AI 可以从文档中萃取 claim、规则和例外, 但高影响知识必须经过所有者认证后才能升为可引用资产。自动化适合加速候选生成, 不适合直接成为事实权威。

证据与控制

质量指标

控制机制

• Source registry gate: 未登记来源不能进入受控索引。
• Authority ranking: 冲突时按权威等级、生效期和适用范围排序。
• Freshness check: 过期或临近过期知识触发降权、警告或禁用。
• Citation requirement: 高影响回答必须提供可追溯引用。
• Context policy: 根据场景限制可进入上下文的 memory 类型和敏感等级。
• Challenge loop: 用户和审核人员可以挑战知识资产, 并影响后续检索。
• Retirement cascade: 源资产退役时自动重建索引、图谱、缓存和评估样本。
• Periodic memory review: 管理层定期查看知识债、冲突、过期和高风险使用。

证据包

一次 memory 相关评审应能展示:

• 被 AI 使用的来源清单、权威等级和所有者。
• 知识资产卡、版本、生效期、适用范围和敏感等级。
• 从源文档到 claim、图谱节点、向量 chunk、上下文和输出的 lineage。
• 冲突检测和权威排序结果。
• 过期、挑战、修订和退役记录。
• 高影响输出样本及其引用完整性。
• 对客户、员工、监管和运营风险的影响分析。

金融零售/AI产品场景

Contact center policy memory 客户服务 AI 需要引用费用、退款、争议、账户冻结和投诉流程。关键不是把手册全部索引, 而是确保每条客户可见回答来自当前有效政策, 并能在政策更新后同步退役旧答案。

AML typology memory 反洗钱模式和调查经验持续变化。AI 可以帮助调查员发现相似案例, 但 typology 必须标注来源、适用地区、有效期、敏感等级和不可客户披露范围。

KYC exception memory 开户例外常来自历史处理经验。若不治理, AI 会把一次性豁免复制成常规做法。例外 memory 必须区分批准规则、临时处置、人工判断和不可复用案例。

Credit policy decision memory 信用政策调整需要记录背景、数据证据、风险接受、预期影响和复审条件。后续模型或规则引用时, 必须知道当时经济环境和客户群是否仍适用。

Complaint root-cause memory 投诉复盘可以变成 AI 的高价值知识资产, 用于识别重复问题和建议纠正动作。但客户个人信息、情绪化描述和未验证指控必须最小化并分级使用。

Architecture decision repository AI 平台选型、RAG 方案、模型供应商、数据隔离和日志保留等决策应进入 decision memory。后续团队要能知道为什么选这个方案、拒绝了哪些替代方案、什么条件下需要重新评估。

反模式

最终心智模型

组织记忆的成熟度不取决于 AI 能检索多少资料, 而取决于它能否区分权威与传闻、当前与过期、规则与例外、可复用与不可复用、客户可见与内部参考、事实结论与决策理由。

AI memory 应被视为企业知识资产治理和运行时控制面。它的目标不是让模型“记性更好”, 而是让每一次回答都能说明: 这条知识从哪里来、谁认可、适用于哪里、何时失效、如何被挑战、如何被撤回, 以及为什么此刻可以被用于这个场景。

---

SOTA 状态标注 (2026-07-01)

本篇属于第二、三遍深读池（参考架构/深读笔记），未列入 12 周主线必读。时效基线为写作时点；引用前请按 CLAUDE.md 全局时效性硬规则复查最新进展。模块级 SOTA 对照见 docs/AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md 各周「2026 SOTA 对照」行与文末「SOTA 检查」。