EGCForest：为企业群聊打造结构化Agent记忆框架

企业群聊里藏着项目进度、关键决策、任务归属等大量组织信息，对构建企业级AI Agent而言，这些数据本该是宝贵的记忆资产。但现实是，想从群聊中可靠地检索信息异常困难——证据分散在交错的讨论串、不同频道和长时间跨度中，而信息的含义与权威性又高度依赖发言者身份。传统方案，无论是RAG的独立分块检索，还是记忆系统基于摘要的整合方式，都难以稳定召回这类分布式证据。

为什么现有方案难以胜任企业群聊检索

RAG的工作方式是把文档切分成独立chunk，再按相似度召回。这套逻辑在单篇文档中表现不错，但企业群聊的对话天然是多方交错、跨频道、跨时间的。一个任务的责任人可能出现在周一的产品频道，而验收标准却藏在周三的工程讨论串里。独立检索无法建立这种跨片段的关联。

记忆系统的做法通常是生成对话摘要，再做整合。摘要会丢失细节，尤其是发言人身份所带来的语义差异——同样是“这个方案再想想”，出自技术负责人和出自实习生，含义完全不同。摘要式记忆把这种身份条件信息抹平了，导致Agent无法判断哪些信息真正具有决策效力。

RAG（检索增强生成） 是当前主流的检索方案：将文档切分为独立chunk，用向量相似度召回与查询最相关的片段，再交给大模型生成答案。其核心假设是知识以相对独立的文档片段存在，检索单元即语义单元。MemOS 则是面向Agent的记忆操作系统，将对话历史压缩为摘要并分层整合，用更接近人类记忆的方式管理长期上下文。二者的共同局限在于：RAG缺乏跨chunk的结构关联，无法还原“谁在何时说了什么、对应哪个交付物”的分布式链路；MemOS的摘要压缩则会损失发言人身份等细粒度条件信息。EGCForest正是针对这两类缺陷，用显式结构替代隐式压缩。

EGCForest的三森林架构

EGCForest的核心思路是把不可变的消息日志重新组织成三个互补的森林结构，分别对应企业群聊中三种关键的上下文维度。

Channel forest（频道森林） 按时间线组织工作流，还原每个频道内任务的推进脉络。Actor forest（角色森林） 以发言者为中心构建上下文，保留“谁说了什么”这一关键条件。Artifact forest（产出物森林） 追踪交付物的生命周期，从提出、修改到最终确认的完整链路。

三个森林并非孤立存在。EGCForest通过一个Placement Map和稀疏的结构桥（structural bridges）建立跨视图连接。这意味着当检索一个任务时，系统可以同时沿时间线、发言者线索和交付物路径汇聚证据，而不是在单一维度上碰运气。

检索与装配机制

在记忆骨架之上，EGCForest的检索策略是联合利用三类信号：消息级相关性、来自森林摘要的层级上下文、以及跨视图链接。

这种联合检索的设计针对的正是“分布式证据”问题。传统RAG只看消息级相似度，而EGCForest在召回单条消息后，还能顺着森林结构拉取其所属的层级摘要和跨视图关联节点，把散落的证据重新装配成完整上下文。

稀疏的结构桥（structural bridges） 指只在关键节点间建立少量显式连接，而非全量交叉链接。这种设计使跨视图跳转的代价可控，避免结构爆炸。消息级相关性 通常由向量或关键词相似度计算，负责快速定位候选消息；层级上下文 来自森林摘要，为消息提供所属频道、任务阶段等背景；跨视图链接 则把同一任务在时间线、发言者、交付物三个维度上的片段串联起来。三者联合检索后，系统执行“重新装配”：以召回消息为锚点，沿结构桥拉取其上下游证据，拼装成自洽的上下文单元，再交予模型作答，从而缓解局部召回导致的证据割裂。

实验表现：相对MemOS提升20.85分

论文在三个企业群聊基准上进行了实验。结果显示，EGCForest持续优于RAG和记忆系统基线，在答案准确率上相对MemOS最高提升20.85个百分点，同时支持高效的在线检索。

这一提升幅度值得关注。20.85分的差距说明，结构化的多视图组织方式在分布式证据召回上确实带来了质的变化，而不仅仅是工程优化层面的增益。

答案准确率 是企业群聊检索基准上的核心指标，通常以模型回答与标准答案的匹配度或人工/模型评判计算，衡量Agent能否基于召回证据给出正确结论。20.85个百分点的提升，意味着在同等模型与提示条件下，EGCForest召回的证据质量显著更高——并非靠更强生成模型，而是靠结构化的证据组织。在线检索效率 指系统在真实查询延迟约束下仍能完成多视图联合召回，说明结构桥与Placement Map的索引开销可控，具备工程落地可行性。这类同时兼顾质量与延迟的结果，是判断记忆层设计能否进入生产环境的关键信号。

对企业Agent落地的意义

EGCForest解决的是一个长期被低估的问题：企业群聊不是普通文档，它是有角色、有权重、有工作流结构的组织记忆。把这类数据当作扁平文本处理，信息损耗不可避免。

三森林架构提供了一种可行的结构化路径，让Agent在检索时能够区分信息的时间脉络、发言人条件和交付物状态。对于正在构建企业级Agent的团队来说，这套框架值得作为记忆层设计的参考方向。