Governed Memory：面向多智能体工作流的生产级架构

企业AI在工作流中部署数十个自主智能体节点，各自作用于相同的实体，却没有共享记忆，也没有统一治理。我们识别出这一记忆治理缺口带来的五个结构性挑战：智能体工作流之间的记忆孤岛；跨团队与工具的治理碎片化；下游系统无法使用的非结构化记忆；自主多步执行中的冗余上下文投递；以及缺乏反馈回路时的无声质量退化。我们提出Governed Memory——一个共享记忆与治理层，通过四种机制弥补该缺口：结合开集原子事实与模式约束类型化属性的双记忆模型；带渐进式上下文投递的分层治理路由；带实体级隔离的反思有界检索；以及由AI辅助编写与按属性自动精化构成的闭环模式生命周期。我们通过受控实验（N=250，五类内容）验证每个机制：双模态互补覆盖带来99.6%的事实召回率；92%的治理路由精确率；渐进式投递减少50%的token；500个对抗查询中零跨实体泄漏；100%的对抗治理合规率；以及每个实体约七条受管记忆时输出质量达到饱和。在LoCoMo基准上，该架构达到74.8%的总体准确率，证明治理与模式约束不会带来检索质量损失。该系统已在Personize.ai投入生产。