146、图数据库与Agent记忆调试这个问题，我从凌晨三点半开始。Agent明明记住了用户说过“最近在准备雅思”，但到了第五轮对话，它突然问用户“你最近在忙什么”。不是没记，是记忆检索的时候，那把“雅思”和“备考”“出国”串起来的因果链断了。向量数据库的top-k召回，把“雅思”这个embedding拉回来了，但“为什么准备雅思”以及“雅思和他上次抱怨的工作压力有什么关系”这种多跳关系，完全丢了。那一刻我意识到，用单纯向量存记忆，就像把一大抽屉的纸条倒进了一个桶里，你只能闻到“纸条”的味道，却永远找不回那张写着“因为想转行去外企”的纸条。后来我把Agent记忆的存储结构改成了图数据库。图数据库这玩意儿，刚接触的时候觉得它就是个花架子，无非是节点和边，有什么稀奇。但当你真正用Cypher写出一条跨三层的路径查询时，那种“从记忆碎片里焊出一条逻辑链”的爽感，是任何KV存储都给不了的。这篇笔记，我想把图数据库怎么和Agent记忆结合起来这件事，从踩坑到落地，掰开揉碎讲清楚。先说为什么非得是图。向量数据库擅长找“相似的”，但不擅长找“相关的”。“相似”是embedding空间里的距离，“相关”是实体之间的语义连接。用户说“我喜欢喝手冲咖啡”，又说“最近总是失眠”，这两句话的向量距离可能很远，但如果你在图里建立“手冲咖啡”和“失眠”之间的潜在关系——咖啡因影响睡眠——那Agent就能在用户下次说“今天不喝咖啡了”时，接上一句“是因为失眠吗？”这种关联，就是图数据库的看家本领。当时我设计的第一版schema，简单粗暴：一个Memory节点，一个Entity节点，Memory通过HAS_ENTITY指向Entity。想着还挺美，结果跑了一周，图里出现了两千多个“