基于 openJiuwen 记忆库新特性的 AI 职业规划助手搭建

2. Embedding 模型（文本向量化，支撑记忆检索）

为了让知识库和记忆库能被高效检索，配置了 text-embedding-v4：

• 模型友好名称：text-embedding-v4
• API 协议：OpenAI
• 基础服务地址：https://dashscope.aliyuncs.com/compatible-mode/v1
• API 密钥：从阿里云百炼控制台获取

它负责将用户的对话和记忆数据转换成向量，是记忆库能快速定位用户信息的关键，同时检索上传的知识库。

三、第二步：知识库搭建——全行业职业数据

知识库是智能体的'公共大脑'，上传了两份核心文档：

1. 《2025 年全行业职业数据知识库（含传统 + 第七批新职业完整版）.md》：包含各行业岗位名称、能力要求、薪资范围和发展趋势；
2. 《专业与就业岗位核心对应表.md》：明确了不同专业（如计算机、金融、机械）对应的典型岗位和适配方向。

上传后，系统自动对文档进行了索引和增强，确保后续检索时能快速定位到相关信息。

四、第三步：记忆库创建——openJiuwen 新特性的核心应用

这是本次搭建的重点，充分利用了 openJiuwen 的独立记忆库功能：

1. 记忆库核心配置

• 记忆库名称：职业记忆分析
• 描述：存储用户专业背景、职业兴趣及各专业对应的职业图谱，包括岗位名称、能力要求、晋升路径等，用于辅助生成个性化职业建议、专业转岗方案及职业发展规划。
• 关联模型：
  • Embedding 模型：text-embedding-v4（负责记忆数据向量化）
  • LLM 模型：Pro/deepseek-ai/DeepSeek-V3.2（负责记忆理解与生成）

2. 记忆库新特性优势

• 独立配置：可以为记忆库单独选择最适合的 LLM 和 Embedding 模型，不依赖智能体本身的模型配置，灵活性更高；
• 跨 Agent 共享：记忆库中的用户数据可以被多个智能体调用，比如可以在'职业规划'和'简历优化'两个智能体中，共享同一个用户的专业背景和职业偏好；
• 上下文增强：通过记忆库，智能体能理解用户的历史对话，比如用户之前说过'想留在成都发展'，后续推荐岗位时就会优先标注成都地区的机会，上下文理解能力大幅提升。

五、第四步：智能体创建与配置

给智能体起名为'专业职配助手'，描述：联动职业知识库与用户专属记忆库，快速匹配专业对应的适配岗位，解答行业选择、岗位要求、晋升路径等核心问题，为用户提供精准、高效的职业匹配与咨询服务。

接下来进行提示词配置，可以使用自动优化功能进行配置。

同时，在系统提示词中明确了记忆库的调用逻辑：

每次回复前，必须调取用户记忆库中的历史信息，确保回答贴合用户个性化需求；若记忆库中无相关信息，主动引导用户补充专业背景、职业偏好等内容，丰富记忆库；支持跨智能体共享记忆数据，让用户在不同场景下都能获得一致的个性化体验。

进行记忆库添加以及变量配置，方便智能体中的记忆库进行分类存储。

知识库添加和开场白介绍

你好，我是专业职配助手。依托职业知识库和你的专属记忆，我能快速为你匹配岗位、分析路径。请直接告诉我你的专业或目标，我会给出精准建议。

六、第五步：测试验证——记忆库让 AI 更懂你

创建完成后，重点测试了记忆库的效果：

金融专业的学生，有没有对口职业推荐

1. 输入'我专业是计算机科学技术，掌握 C++，python，Linux，会 AI 编程'，智能体快速返回了软件开发、数据分析、网络安全等岗位，并标注了能力要求和薪资范围；回答的内容我们发现按照变量保存到了记忆库中。

2. 清空聊天记录，重新进入智能体测试。

测试结果显示，openJiuwen 的记忆库新特性，让智能体从'通用回答机器'变成了'懂你的职业伙伴'，成功保存了用户的对话信息，不用担心对话内容消失。

七、总结：记忆库是 AI 从'工具'到'伙伴'的关键

这次基于 openJiuwen 搭建专业职配助手的过程，体会到：

• 知识库是广度：没有高质量的行业数据，智能体就会泛泛而谈，精确的知识库，内容更加规范，具有可信度；
• 记忆库是温度：没有用户记忆，智能体就只能给出通用答案，缺乏个性化；
• openJiuwen 的新特性是效率：独立配置、跨 Agent 共享的记忆库功能，让 AI 应用的开发和迭代更高效，也让用户体验更流畅。