传统外呼每通电话都「从零开始」——重复询问已知信息、话术树僵硬、承诺散落在坐席笔记里。本专题分析在外呼场景构建长时记忆（跨通话时序知识图谱）+ 短时记忆（通话内会话态）组合架构的可行性：结论是可行且组件成熟，但有一条硬约束——端到端延迟 < 800ms、EOU 判停后留给大脑的预算只有 300–500ms，因此图谱操作必须移出通话延迟关键路径（拨号前预热 + 挂机后异步固化）。
EOU（见判停专题）解决「听得对」——不抢话、不迟钝，降低挂断率的第一道闸门；记忆知识图谱解决「说得对」——开口就个性化、跨通话连续。两者分属管线不同层（判停在语音前端、记忆在对话大脑层），互不干扰、收益叠加。
客户画像（还款能力 / 历史承诺 / 投诉记录）、历次通话摘要、承诺-履约关系、联系人图谱、最佳拨打时段。
载体：时序知识图谱（Graphiti / Neo4j）
更新：通话结束后异步抽取写入
当前话轮上下文、本次承诺金额 / 日期、情绪轨迹、已核实身份信息、录入模式中的卡号片段。
载体：LLM 上下文窗口 + Redis 会话态
更新：实时，随话轮更新（<1ms 读写）
拨号前从图谱抽取的「本次通话简报 Call Brief」：欠款状态、上次承诺、禁忌话题、推荐话术分支。
载体：预生成结构化 Prompt 片段（<1KB）
更新：拨号前 T-数秒预加载
首推 Graphiti（Zep 开源核心，Apache-2.0）：专为 Agent 记忆设计的双时态（bi-temporal）图引擎，记录「事实何时成立、何时失效」——对催收极其关键：「客户 3 月承诺 15 日还款 → 4 月该承诺失效并产生新承诺」是天然的时序边。论文（arXiv:2501.13956，被引 300+）：DMR 基准 94.8%（超 MemGPT 93.4%），LongMemEval 相对提升最高 18.5%。
图谱 Schema 面向外呼业务定制：节点 = 客户 / 债务 / 承诺 / 通话 / 情绪事件 / 联系人；边 = 承诺还款(金额, 日期, valid_from, valid_to) / 提及过 / 拒绝过 / 投诉过。
外呼与呼入的本质区别：呼叫对象和时间由系统决定。在拨号队列调度时（T-5s~T-30s）完成图谱多跳查询 + LLM 摘要，生成 Call Brief 注入系统 Prompt。通话中 LLM 直接「带着记忆开口」，图检索延迟对通话零影响。该层嵌进 5 层架构的「对话大脑层」，与 Smart Turn v3 + Silero VAD 判停管线并行无冲突。
会话态用 Redis / 内存维护结构化槽位（本次承诺、身份核验状态、情绪分），不走图谱。若客户主动提到新信息（「我上个月已经还过一笔」），采用 VoiceAgentRAG（arXiv:2603.02206）双通道思路：快通道话术填充（「好的，我帮您核实一下这笔还款…」）掩盖检索延迟，慢通道异步查图后在下一话轮注入结果。
挂机 → ASR 全文 + 结构化槽位 → LLM 抽取三元组 → Graphiti 增量写入（实体消歧 + 时序冲突处理：新承诺自动使旧承诺边 valid_to 失效）。全程离线批处理，不占通话资源。
↔ 表格可横向滑动
| 指标 | 传统外呼痛点 | 记忆图谱的改善机制 | 预期效果 |
|---|---|---|---|
| 挂断率 | 每通电话「从零开始」，重复询问已知信息，客户听两句就挂 | Call Brief 让开场白直接个性化（「上次您提到 15 号发工资…」），前 10 秒建立「被记得」的感知 | 前 30 秒挂断是外呼最大流失点，个性化开场是行业验证的最有效手段之一 |
| 通话完成率 | 话术树僵硬，客户偏离预设流程即卡死 | 图谱关系上下文让 LLM 动态改道（知道客户曾投诉某话术分支 → 自动规避） | 与 EOU 降低抢话叠加：EOU 管「听得对」，记忆管「说得对」 |
| 响应延迟 | 若通话中实时查库，RAG 检索 50–300ms 直接吃掉延迟预算 | 预热架构下通话中零图谱检索 | 不恶化 <800ms 目标（Supermemory 2026-05：语音 Agent 检索须 <100ms 或移出回合） |
| 承诺履约率 催收核心 KPI |
承诺散落在坐席笔记里，无法跨通话追踪 | 承诺作为一等公民时序边，到期未履约自动触发下一轮外呼策略 | 图谱相对向量记忆的独有优势——多跳 + 时序查询 |
| 合规风险 | 骚扰频次、禁拨名单靠外部系统 | 图谱天然记录「90 天内已拨 N 次」「客户明确拒绝营销」，拨号调度硬约束 | 对应 2026 国内外呼选型焦点已转向「智商与合规」 |
图谱读在拨号前、写在挂机后，全部移出延迟关键路径。
三条泳道：预热（通话前）· 运行时（通话中，零图谱操作）· 固化（通话后）。判停管线沿用 EOU 专题结论不变。
目标：先验证核心假设——个性化开场对「前 30 秒挂断率」的改善幅度，无收益及时止损。
目标：跑通「承诺追踪」业务闭环，验证图谱相对文档摘要的增量价值。
扩展方向：验证成功后横向复制到回访（满意度记忆）与营销（拒绝原因记忆）场景。
↔ 表格可横向滑动 ｜ 基准数据截至 2026-07 各横评
| 组件 | 首选 | 备选 | 理由 / 关键数据 |
|---|---|---|---|
| 记忆图谱引擎 | Graphiti 自托管 Apache-2.0 首选 | Zep Cloud / Mem0 Graph | 双时态原生支持；Mem0 检索快（p95 0.2s）但时序推理弱——LongMemEval 49.0% vs Zep 63.8%（particula.tech 2026 横评） |
| 图存储 | Neo4j Community | NebulaGraph（超大规模） | Graphiti 官方适配；千万边级以上再考虑分布式 |
| 抽取模型 | Qwen 系小模型微调 | 通话量小时用 API | 成本可控、中文强；日均 5 万通须自托管小模型 |
| 短时记忆 | Redis 结构化槽位 | — | 延迟关键路径唯一依赖（<1ms） |
| 判停 / ASR 管线 | 维持 EOU 专题结论：Smart Turn v3 + Silero VAD + 流式 ASR 并行 | — | 记忆层与其正交，互不影响 |