记忆 · 技能 · 智能体：构建一个会成长的 AI 数据分析团队

想象这样一个场景：

周一早上，你问 AI 助手："上周华东区的销售额怎么样？"它查了数据，告诉你结果。你补充了一句："以后这种销售数据，帮我按周对比标一下环比变化，我们团队习惯看这个。" AI 说好的。

到了周三，你又问："华南区这周情况如何？"

然后你发现——它又给了一个干巴巴的数字，没有环比，没有对比。仿佛周一那次对话从未发生过。

这不是一个关于"记性不好"的故事，而是当前绝大多数 AI 数据分析工具的真实写照。

它们每次对话都是从零开始，像一个永远在入职的新员工：你反复解释业务术语，反复纠正输出格式，反复告诉它"我们不看绝对值、看趋势"。它确实聪明，但这种聪明无法积累。

AskTable 正在改变这一点。

通过记忆系统、Skill 系统和行业智能体三大能力的协同，AskTable 正在把 AI 从一个"每次都是新人"的工具，塑造成一个会持续成长的数据团队伙伴。

---

一、问题的本质：为什么通用 AI 做不好数据分析？

1.1 "新来的"困境

在数据分析场景中，一个通用 AI 助手面临三个根本性缺陷：

1.2 解决思路：三位一体

AskTable 的方案不是在某一个点上修修补补，而是从系统层面构建三个互相支撑的能力支柱：

这三个能力不是简单的叠加，而是形成了一个正反馈循环：记忆让智能体更了解用户，Skill 让智能体更有能力，而智能体的使用又反过来产生新的记忆和技能优化。

下面我们逐一拆解这三个支柱。

---

二、记忆：让 AI 不再失忆

2.1 记忆系统要解决什么？

记忆系统解决的核心问题是：让 AI 在不同会话之间保持连续性。

这不是简单的"保存聊天记录"，而是有选择地提取、存储和检索对用户有价值的信息：

• •用户的偏好（"我喜欢看环比数据"）
• •业务上下文（"我们 Q1 的目标是 5000 万"）
• •纠正和反馈（"这个指标不应该按天拆，按月看"）
• •历史模式（"用户通常在月初看上月汇总"）

2.2 技术架构

记忆系统基于 mem0 + Qdrant 构建，采用读写分离的设计：

关键设计决策：

1. •

   读写分离：Search 在请求开始时同步执行，Add 在回复完成后异步执行，确保不影响响应速度。

2. •

   Agent 级隔离：记忆的隔离粒度是 Data Agent 级别，而非用户级别。这意味着同一个 Data Agent（如"销售分析助手"）下的所有用户共享记忆，形成团队级的集体记忆。

3. •

   Protocol 抽象层：记忆系统通过 Protocol 接口定义，mem0 只是当前实现。这确保了未来可以无缝切换到其他记忆方案，而不影响上层逻辑。

4. •

   LLM 驱动的记忆提取：不是简单保存对话原文，而是通过 LLM 从对话中提取结构化的记忆信息（偏好、事实、纠正），去重后存入向量数据库。

2.3 记忆的生命周期

记忆不是简单的"存"和"取"，它有完整的生命周期管理：

记忆提取的三种类型：

这种分类确保了记忆系统不会无限膨胀，同时重要的长期偏好能够被持续保留。

2.4 Protocol 抽象层设计

记忆系统通过 Protocol 接口定义，而非直接依赖 mem0 的具体实现：

class MemoryProvider(Protocol):
    """记忆提供者协议——确保可替换性"""

    async def search(
        self,
        query: str,
        agent_id: str,
        limit: int = 5,
    ) -> list[MemoryEntry]:
        """根据查询检索相关记忆"""
        ...

    async def add(
        self,
        messages: list[Message],
        agent_id: str,
    ) -> list[MemoryEntry]:
        """从对话中提取并存储新记忆"""
        ...

    async def get_all(self, agent_id: str) -> list[MemoryEntry]:
        """获取 Agent 下的所有记忆"""
        ...

    async def delete(self, memory_id: str) -> bool:
        """删除指定记忆"""
        ...


# 当前实现：mem0
class Mem0MemoryProvider:
    def __init__(self, config: Mem0Config):
        self.memory = AsyncMemory.from_config(config)

    async def search(self, query, agent_id, limit=5):
        results = await self.memory.search(
            query=query,
            user_id=agent_id,
            limit=limit,
        )
        return [self._to_entry(r) for r in results]

    # ... 其他方法实现

这意味着未来如果需要切换到自研记忆方案或其他开源方案，只需实现同一个 Protocol 接口，上层代码无需任何修改。

2.5 实际效果

来看一个对比：

没有记忆系统时：

对话 A（周一）：
  用户：华东区销售额
  AI：1200 万
  用户：以后这种数据带上同比和环比
  AI：好的

对话 B（周三）：
  用户：华南区销售额
  AI：800 万                          ← 没有同比环比

有了记忆系统后：

对话 A（周一）：
  用户：华东区销售额
  AI：1200 万
  用户：以后这种数据带上同比和环比
  AI：好的                    → 记忆系统提取并存储：
                                 "用户偏好：销售数据需包含同比和环比"

对话 B（周三）：
  用户：华南区销售额
  AI：800 万，同比 +12%，环比 -3%     ← 自动应用偏好
      注：环比下降主要受 XX 品类影响

记忆系统的意义在于：AI 不再需要你反复教它。 它会把每次交互中的有价值信息沉淀下来，在下一次对话中自动调用。

关于记忆系统的技术细节，推荐阅读：AskTable 永久记忆系统：让 AI 记住每一次对话

---

三、Skill 系统：按需调用的专业能力

3.1 从"什么都知道"到"知道怎么调用专业知识"

如果说记忆系统解决了 AI 的"经验积累"问题，那么 Skill 系统解决的则是"专业能力"问题。

传统 Agent 的做法是把所有能力都塞进系统提示词或工具列表。这带来两个问题：

1. •上下文污染：每次请求都携带大量工具定义，增加推理成本和出错概率
2. •能力固化：新增或修改能力需要修改代码、重新部署

AskTable 的 Skill 系统采用了一种更优雅的方案：项目级技能库 + 热插拔加载。

3.2 Skill 系统架构

核心设计要点：

• •热插拔：Skill 是纯文本指令，存储在数据库中，不需要修改代码即可新增或修改
• •动态加载：通过 activate_skill() 工具，Agent 可以在对话过程中按需激活技能，扩展自己的能力边界
• •三层优先级：显式 > Agent > Project，确保灵活性和默认能力的平衡

3.3 三层加载机制详解

三层加载机制是 Skill 系统的核心创新之一。它确保了在不同场景下，Agent 都能获得最合适的技能集合：

这种设计的意义在于：既不强迫 Agent 每次携带所有技能（避免上下文污染），又能确保在需要时快速获得专业能力。

3.4 11 种内置技能概览

AskTable 内置了 11 种专业数据分析技能，覆盖了从数据探索到报告生成的完整分析链路：

这 11 种技能就像是一个分析团队的"标准武器库"——每个技能都是一个专业数据分析师的核心能力。

关于 Skill 系统的深入解析，推荐阅读：AskTable Skill 系统：让 AI Agent 按需调用专业能力

---

四、智能体：组合技能的行业专家

4.1 从技能到智能体：1 + 1 > 2

有了记忆和技能，下一步是如何把它们组织成一个"懂行"的专家。这就是行业智能体的价值。

智能体不是简单的技能堆砌，而是针对特定业务场景的技能组合 + 行业知识 + 分析范式的封装。

4.2 9 大行业智能体

AskTable 预置了 9 个行业智能体，覆盖了最常见的数据分析场景：

4.3 智能体的工作方式

智能体的核心价值在于理解你的业务语境，自动选择合适的技能组合。

以一个电商运营场景为例：

智能体之所以能做到这一点，是因为它：

• •知道这个行业的关键指标和分析范式
• •能够按需激活相关的分析技能
• •记住了用户的偏好和历史上下文

关于内置技能和智能体的完整介绍，推荐阅读：AskTable 内置技能与智能体：开箱即用的数据分析能力

---

五、三位一体：协同工作的完整流程

5.1 三者的协同关系

记忆、技能、智能体三者不是独立工作的，它们形成了一个互相增强的正反馈循环：

5.2 完整工作链路

让我们通过一个完整的使用场景，看看三者如何协同工作：

场景：某零售企业运营总监使用 AskTable 进行月度经营分析

═══════════════════════════════════════════════════════════════

第 1 步：用户发起请求
───────────────────────────────────────────────────────────────
用户："帮我看看上个月的经营情况"

═══════════════════════════════════════════════════════════════

第 2 步：记忆系统介入（读）
───────────────────────────────────────────────────────────────
记忆检索发现：
  ✓ 该用户的 Data Agent 是「高管数据助手」
  ✓ 用户偏好：关注营收、利润率、同比环比
  ✓ 上次纠正："环比用上月对比，不要用移动平均"
  ✓ 业务上下文：Q1 营收目标 5000 万，当前完成 62%

→ 这些信息被注入到系统提示词中

═══════════════════════════════════════════════════════════════

第 3 步：智能体选择技能
───────────────────────────────────────────────────────────────
「高管数据助手」智能体分析用户需求后，决定激活以下技能：

  activate_skill("周期分析")       → 识别上月整体趋势
  activate_skill("对比分析")       → 同比、环比、目标达成
  activate_skill("异常检测")       → 检查是否有异常波动
  activate_skill("下钻指标")       → 定位主要增长/下滑来源
  activate_skill("业务语言生成")   → 生成管理层可读结论

═══════════════════════════════════════════════════════════════

第 4 步：执行分析
───────────────────────────────────────────────────────────────
AI 按顺序执行各技能，生成结构化分析：

  📊 上月经营摘要
  ━━━━━━━━━━━━━━━━━━━━━━━━
  营收：1,850 万 | 同比 +15% | 环比 +8%
  利润率：18.5% | 同比 +1.2pp | 环比 -0.3pp
  Q1 目标达成率：62%（进度正常）

  📈 关键发现：
  01. 营收增长主要受华东区新品驱动（贡献率 65%）
  02. 利润率环比微降，主要受原材料成本上涨影响
  03. 华南区业绩异常偏低（低于均值 2.1 个标准差）

  ⚠️ 风险提示：
  华南区连续两周下滑，建议关注

═══════════════════════════════════════════════════════════════

第 5 步：用户交互与反馈
───────────────────────────────────────────────────────────────
用户："华南区那个异常，帮我重点看看是哪几个店的问题"

→ 记忆系统记录用户的关注焦点
→ 智能体激活「下钻指标」和「异常检测」技能
→ 生成详细分析

═══════════════════════════════════════════════════════════════

第 6 步：记忆系统写入（异步）
───────────────────────────────────────────────────────────────
对话结束后，记忆系统异步执行：
  ✓ 提取：用户重点关注异常门店
  ✓ 提取：用户对华南区业绩持续跟踪
  ✓ 更新：华南区为当前重点关注区域

→ 下次对话时，AI 会主动关注华南区情况

═══════════════════════════════════════════════════════════════

5.3 成长的本质：正反馈循环

这套系统的核心优势在于它是一个会自我增强的正反馈循环：

每一次对话都在为下一次对话积累价值。这就是"会成长的团队"的真正含义。

---

六、实际案例：从"工具"到"同事"的蜕变

6.1 案例背景

某中型零售企业（年营收约 2 亿），使用 AskTable 三个月后的变化：

6.2 使用历程

第一周：工具阶段

运营总监李明第一次使用 AskTable，把它当作一个"能查数据的聊天机器人"。

李明："上个月各区域的销售额"
AI：   "华东 580 万，华南 320 万，华北 410 万，西南 190 万"
李明：（心里想）嗯，数据是对的，但太简单了

此时的 AI，和一个会写 SQL 的实习生差不多。

第二周到一个月：学习阶段

李明开始给 AI 反馈：

李明："以后这种数据，帮我标一下同比和环比"
AI：   "好的"

李明："华南这个月怎么这么差？"
AI：   （调用异常检测 + 下钻分析）
      "华南区 320 万，环比下降 22%，同比下降 8%
       主要拖累：广州天河店（-45%）、深圳南山店（-31%）
       共性：两个店都有装修停业天数"
李明：（心里想）这个分析还行

记忆系统开始工作——李明的偏好、关注区域、分析习惯被记录下来。

第二到三个月：同事阶段

李明："这个月经营情况"
AI：   "📊 3月经营快报
        ━━━━━━━━━━━━━━━
        营收 1,850 万，同比 +15%，环比 +8%
        利润率 18.5%，同比 +1.2pp
        Q1 目标达成 62%，进度正常

        📈 亮点：
        华东区新品系列拉动营收增长 12%

        ⚠️ 关注：
        华南区仍在恢复中，但环比已回升 5%
        （你上月关注的天河店已恢复正常营业）

        需要我出一份详细的月度经营报告吗？"

李明：（心里想）这已经是半个运营助理了

此时的 AI：

• •记得李明关心哪些指标
• •知道华南区是他持续关注的区域
• •主动调用多种分析技能生成结构化报告
• •甚至能预判他的下一步需求

这就是从"工具"到"同事"的蜕变。

6.3 量化的变化

---

七、技术细节：三者如何真正协同

7.1 记忆如何影响技能选择

记忆系统存储的信息会直接影响智能体对 Skill 的选择：

# 伪代码：记忆增强技能选择
async def select_skills_with_memory(agent, user_query):
    # 1. 从记忆系统检索相关上下文
    memories = await memory.search(user_query, agent_id=agent.id)

    # 2. 将记忆注入提示词
    enhanced_prompt = build_prompt(
        base_prompt=agent.system_prompt,
        memories=memories,  # 包含用户偏好和历史关注点
    )

    # 3. Agent 基于增强后的提示词选择技能
    selected_skills = await agent.decide_skills(
        query=user_query,
        prompt=enhanced_prompt,
    )

    # 4. 激活选中的技能
    for skill in selected_skills:
        await agent.activate_skill(skill)

    return selected_skills

7.2 Skill 如何产生新的记忆

Skill 的执行结果和用户反馈会成为新的记忆：

用户问："帮我看看上月经营情况"
  │
  ├── AI 调用多项技能生成报告
  │
  ├── 用户反馈："华南区的数据我想每周都看"
  │     │
  │     └── 记忆系统提取：
  │         "用户希望每周跟踪华南区数据"
  │
  └── 下次用户问经营情况时
        │
        └── AI 主动包含华南区周报分析

7.3 智能体如何调度三者

智能体是整个系统的"大脑"，负责：

┌─────────────────────────────────────────────────┐
│              智能体调度流程                       │
│                                                 │
│  收到用户请求                                     │
│       │                                         │
│       ▼                                         │
│  ┌─────────────────┐                            │
│  │ 理解用户意图      │                            │
│  └────────┬────────┘                            │
│           │                                     │
│           ▼                                     │
│  ┌─────────────────┐                            │
│  │ 检索记忆上下文    │  ← 读记忆                  │
│  └────────┬────────┘                            │
│           │                                     │
│           ▼                                     │
│  ┌─────────────────┐                            │
│  │ 选择关联技能      │  ← 用 Skill               │
│  └────────┬────────┘                            │
│           │                                     │
│           ▼                                     │
│  ┌─────────────────┐                            │
│  │ 执行分析并回复   │                            │
│  └────────┬────────┘                            │
│           │                                     │
│           ▼                                     │
│  ┌─────────────────┐                            │
│  │ 异步写入新记忆    │  ← 写记忆                  │
│  └─────────────────┘                            │
│                                                 │
└─────────────────────────────────────────────────┘

---

八、为什么这套架构有意义？

8.1 对数据分析范式的重新思考

传统的数据分析工具，本质上都是**"查询引擎"**——你输入问题，它返回数据。每次交互都是独立的，没有积累，没有成长。

AskTable 的思路是把 AI 数据分析变成一个**"成长中的团队"**：

8.2 三个核心差异

8.3 面向未来的可扩展性

这套架构的设计哲学是开放和可扩展：

1. •记忆系统的 Protocol 抽象：mem0 只是实现之一，可以随时替换
2. •Skill 的热插拔：新增技能不需要改代码，支持 AI 辅助生成
3. •智能体的可定制：企业可以根据自身需求创建专属行业智能体

这意味着，AskTable 的能力边界不是固定的，而是随着使用持续扩展的。

---

九、总结

"好的 AI 工具不是越来越聪明，而是越来越懂你。"

回顾 AskTable 的三大核心能力：

1. •

   记忆系统：让 AI 不再失忆。通过 mem0 + Qdrant 的读写分离设计，在 Data Agent 级别积累团队级的集体记忆。

2. •

   Skill 系统：让 AI 拥有专业能力。项目级技能库 + 热插拔加载 + 11 种内置技能，覆盖从异常检测到报告生成的完整分析链路。

3. •

   行业智能体：让 AI 懂行。9 大智能体将技能组合成面向具体业务场景的分析能力，开箱即用。

三者协同工作，形成了一个持续进化的正反馈循环——记忆让智能体更懂用户，技能让智能体更有能力，而智能体的每一次使用都在产生新的记忆和技能优化。

这不是在做一个更好的查询工具，而是在构建一个会成长的数据分析团队。

---

延伸阅读

• •AskTable 永久记忆系统：让 AI 记住每一次对话 — 记忆系统的技术细节
• •AskTable Skill 系统：让 AI Agent 按需调用专业能力 — Skill 系统的架构设计
• •AskTable 内置技能与智能体：开箱即用的数据分析能力 — 11 种技能和 9 大智能体的完整介绍
• •AskTable AI Agent 工作原理：从架构到实现 — Agent 基础架构深入解析