LLM 上下文窗口有限，长期记忆常依赖"摘要 + 向量检索"，但摘要会丢失细节、向量召回会混淆相似项，导致 Agent 在长流程任务中"记错、记漏"。

用预定义的本体（实体类型、关系类型、约束）组织记忆，每条知识以"主语-谓词-宾语"三元组落图，结构化 + 可校验，避免自由文本记忆的歧义累积。

受控实验对比三类记忆：纯文本摘要、向量库、固定 Schema 知识图谱。在跨多轮、需精确关系推理的任务上，固定 Schema KG 的信息保留近乎零损失，且随轮次增加优势扩大。

原因在于：图谱写入即校验（Schema 约束拒绝矛盾/重复），读取时沿关系精确遍历，不被语义相似度误导；而摘要必然有损、向量必然有召回误差。

固定 Schema 的前期建模成本高、对未定义关系不友好，适合领域稳定、关系明确的场景（企业知识、业务流程、设备拓扑）；开放域闲聊仍可用文本记忆。

生产级 Agent 宜采用"分层记忆"：短期用上下文、中期用向量、长期核心知识用固定 Schema KG，三者按信息重要性分级沉淀。