同一个AI，加记忆后首次派单准确率从18%升到74%

同一个模型，同一套决策代码，只差一层记忆：首次派单准确率从18%跳到74%，转人工比例从66%压到4%。这不是换了个更强的AI，是给它配了一张会记事的图。

测试对象是 microsoft/vscode 的真实工单分诊。作者用 FalkorDB 搭了一个叫 Handoff Graph 的派单代理，核心动作只有一个：记住谁把哪类问题转给了谁。然后在两个完全独立的留出时间段上各跑一次，不做训练，不调参。

先看没有记忆时的表现。夏季时段，代理把66%的工单直接推给人工，首次就选对负责人的比例只有18%。春季时段类似：64%转人工，首次准确率15%。这个水平基本等于没用。

加上记忆之后，同一套代码在两个时段分别做到4%转人工、74%首次准确，以及7%转人工、58%首次准确。作者的说法是，这个成绩距离微软专门做的分诊分类器只差几个百分点，而后者跑在自己的模型上，还配了一份手工维护的归属文件，并由 VS Code 团队人工纠正。

为什么记忆这件事在派单上这么值钱？因为转派本身就是高频动作。素材引用的微软自家研究显示，被重新指派的工单，分诊耗时可能长达原来的10倍。2009年一项针对 Mozilla 和 Eclipse 的研究发现，37%到44%的缺陷在开发者之间被转手。工单系统会统计这些转派，但不会从中学习。

2026年6月到10月中旬，microsoft/vscode 收到11,734个工单，分诊机器人完成了65%的首次指派，其中1,678个被转给了别人，而这些转派里有五分之四是从机器人的选择开始的。每一次转派都带着信息：这类问题给了这个人，最后落到了那个人手里。

有些工程师天然是枢纽。素材里提到一位工程师（记为A），6月到10月间从机器人手里接了405个工单，留下238个，把75个转给一位同事，64个转给另一位。这种模式在单个工单里完全看不见，放进图里就一目了然。

系统结构很克制。学习器是唯一写入方，把每次转派变成一条带时间戳的边；路由器只读，工单进来后先问图：A 把类似的工作转给过谁，A 自己又留下了多少。这给出一个很短的候选名单和一个先验。然后决策模型 TypeSafe Jev 对每个候选只回答一个很窄的是非题：这个工单更像 A 留下的那些，还是更像 A 转给 B 的那些。

决策规则写在代码里，不写在提示词里。备选明显更优就改派，差距太小就交人工并说明理由，否则维持机器人的原选择。每个决定都会附带一条能解释它的图路径。模型全程不写查询语句，只通过 MCP 服务器调用一组固定工具。

评测部分作者花的时间最多。做法是按时间顺序回放：每个历史工单都在 VS Code 机器人首次指派的那个时刻被路由，学习器逐日推进，所有查询都带时间过滤，决策永远看不到之后发生的转派。标签泄漏也被处理掉了——工单的区域标签往往由后来转派它的人加上，路由时刻只有约五分之一的转派带有区域标签，所以只用当时已存在的标签，其余靠工单文本。

对照组的设置是公平的：没有记忆，指的是同一个 Jev 模型、同一套决策代码，只有候选名单和先验换了来源，改成过去两周被指派最多的人。设计在开发窗口上做完后冻结，提交确切命令，在留出期上只跑一次。

作者还专门做了一次“把图拿掉”的测试，因为比赛规则要求图必须干真活。同样的模型、同样的提示、同样的决策代码，唯一变化是去掉图提供的东西：谁在什么时刻把什么转给了谁。结果转人工从4%弹回66%，首次准确率从74%掉回18%。

它没有赢过微软的分类器。在代理选择自己路由的那些工单上，两者准确率打平，差距在0.2个百分点以内。作者还预注册了一个更严格的尝试：转人工不超过15%的前提下，精度至少提升2个百分点。这个方案在开发数据上是+3.8，在没见过的春季时段掉到+0.5。作者自己点明，这是典型的对噪声过拟合，并且选择把它展示出来而不是藏起来。

天花板也测了。假设系统能精确知道哪些工单会被转走，并把每一个都送给该工程师最近最常转给的人，准确率也只能到大约85%，而机器人本身是78%。也就是说，全部收益只有七个点，而且前提是你能预知哪张工单会被转发。光知道“谁爱转发”不够。作者试过手上所有信号：工单文本的 AUC 是0.57，接近抛硬币；个人近期转发率的 AUC 是0.74，但没有一条覆盖规则能跑赢；谁提交的工单则毫无帮助。转派的中位时间发生在路由后大约一天，取决于工作量、休假，以及工单到达时没人看得见的那些对话。

关于人的记忆腐坏得很快。在开发数据上，记忆给出的最佳备选命中了最终负责人的38%；一个月后的夏季留出期，这个数字掉到13%。谁把什么转给谁，几周内就会变。作者认为，这恰恰是“持续在线学习的图”胜过“一次训练完成的分类器”的最强论据。

还有一个机器人看不见的信号。当某位工程师连续转走了最近三个工单，机器人下一次给他派单，12次里只对了3次——那人通常不在。图能注意到这个连续转派的势头，机器人却照派不误。这种情况很少，占比不到1%，但正是只有行为记忆才能做出的判断。

两个事后发现的描述性结论：代理给出的前三个建议里包含最终负责人的比例是81%和69%，分类器单次选择是77%和62%，如果由人工从建议里挑，这个差别有用。另外，当代理主动要求人工介入时，分类器的选择确实更容易错：错误率36%和47%，而整体是23%和38%。“我不确定”本身就是一个有用的转派风险信号。

作者总结的三条经验里，第一条关于怎么衡量上下文层：要拿同一个代理去掉记忆来比，而不是拿生产系统来比，两个结果都该报。第二条关于时间：所有泄漏都来自未来偷偷溜进来，边上的时间戳加每条查询的时间过滤解决了它。第三条是分工——让模型做判断，让图做遍历，代码管日期。

下一步他想换的不是模型，而是任务本身：不再和机器人在首次猜测上竞争，而是等工单在指派人手里搁置几个小时后作为第二分诊员介入。谁真正接什么活，那种记忆在那里应该最有用。