《Agent记忆错误的100个案例手册》第 76–80 案例
本辑为《Agent记忆错误的100个案例手册》连载内容。
案例 76：跨会话与用户识别错误｜impersonation-via-session-hijacking
场景
用户的会话Token通过URL参数传递（而非Cookie/Header），用户在社交媒体分享了一个包含Token的链接。攻击者点击该链接，获得了用户的会话身份。
错误表现
攻击者以用户身份与Agent对话，查看了用户的全部历史记忆，甚至通过Agent执行了敏感操作（如”删除我的所有数据”）。
解决方案
- 会话Token永不通过URL传递，使用HttpOnly Cookie或Authorization Header
- 实施”设备指纹绑定”：会话与设备指纹绑定，检测到设备变化时要求进行重新认证
- 对敏感操作实施”二次确认”：即使会话有效，执行删除、转账等操作时要求再次输入密码
原理
会话标识符的泄露等同于身份的泄露。URL是最容易被泄露的媒介（浏览器历史、分享链接、Referrer头）。安全的会话管理是身份安全的基础。
案例 77：跨会话与用户识别错误｜user-deletion-memory-residual
场景
用户行使”被遗忘权”（Right to be Forgotten），要求删除账号。系统删除了用户表中的记录，但Agent的长期记忆库（向量数据库）中仍保留了大量该用户的记忆向量。由于记忆库没有级联删除机制，这些数据成为”孤儿记忆”。
错误表现
数月后，其他用户的查询意外检索到了这些孤儿记忆（因为它们在向量空间中与新查询相似），包含了已删除用户的个人信息。
解决方案
- 建立”用户-记忆”外键关系：删除用户时触发级联删除，清理所有关联记忆
- 实施”记忆归属标记”：每条记忆标记所属用户ID，定期扫描并清理无效用户ID的记忆
- 用户删除后进行”记忆审计”：抽样检查是否仍有该用户的数据残留
原理
GDPR等法规要求用户数据的彻底删除。向量数据库中的记忆如果与用户身份没有强关联，删除操作容易遗漏，导致合规风险。
案例 78：跨会话与用户识别错误｜profile-merge-conflict-resolution-failure
场景
用户通过合并账号功能将两个账号（工作号和个人号）合并。两个账号分别有”偏好语言：英文”和”偏好语言：中文”的设置。合并系统未定义冲突解决策略，随机保留了其中一个。
错误表现
用户期望保留两个偏好（工作场景英文，个人场景中文），但合并后只能使用一种语言，且不知道何时被修改过。
解决方案
- 账号合并时进行”场景化保留”：询问用户不同场景下的偏好设置，而非简单二选一
- 保留历史偏好记录：合并后的画像包含”来源A的设置”和”来源B的设置”，允许用户切换
- 使用”最近使用优先”：在冲突时保留最近更新的设置，但通知用户存在冲突
原理
用户画像的合并不是简单的记录拼接，而是冲突解决。没有明确策略的合并会导致”静默数据丢失”，用户在不知情的情况下被改变了偏好。
案例 79：跨会话与用户识别错误｜session-affinity-break-load-balancer
场景
Agent集群前有负载均衡器，配置了会话亲和性（Session Affinity）：同一用户的请求固定路由到同一实例。但某实例故障，负载均衡器将请求路由到另一实例。新实例没有该用户的会话状态（存储在故障实例的内存中）。
错误表现
Agent突然”失忆”，用户感到困惑”我们刚才不是聊到XX了吗？“，体验严重受损。
解决方案
- 会话状态存储在共享存储（Redis/数据库）中，实例无状态化，任何实例都能处理任何会话
- 实例故障时进行”状态迁移”：将故障实例的会话状态迁移到新实例
- 负载均衡器使用”粘性Cookie”：即使实例变化，也能通过中央存储恢复会话
原理
有状态服务的扩展性和可靠性都受限于状态存储的位置。无状态架构（Stateless Architecture）配合外部状态存储是分布式系统的最佳实践。
案例 80：跨会话与用户识别错误｜anonymous-user-tracking-ethics-violation
场景
Agent为匿名用户（未登录）建立”设备指纹+行为模式”的记忆档案，用于个性化推荐。通过长期追踪，系统能高度精确地识别同一匿名用户（如”使用Chrome 120、分辨率1920x1080、喜欢先浏览科技再浏览财经的用户”）。
错误表现
攻击者或第三方通过数据关联，将这些匿名档案与真实身份关联（如用户在某处登录后，系统能将登录前后的行为关联起来），实现了去匿名化。
解决方案
- 对匿名用户的追踪设置严格限制：只记录会话级信息，不建立跨会话的长期画像
- 定期重置匿名用户标识符（如每次关闭浏览器后重置）
- 实施”差分隐私”：在匿名用户数据中注入噪声，防止精确识别
原理
去匿名化（De-anonymization）研究表明，足够多维度的行为数据可以唯一识别个体。匿名不应只是”不记录姓名”，而应确保无法从数据中推断出身份。
I. 记忆一致性与事实锚定错误（案例81-90）
来源：Agent Search