Agent 记忆五层模型与工程落地对话式大模型 Agent 的「记忆」问题，本质就是：如何让机器像人一样，不只是即时回答，而是能记住过去、理解现在、影响未来。过去两年，学术界和工业界已经逐渐形成一个共识：记忆需要分层，不同层次解决不同问题。下面我用一个五层模型，带你快速建立完整认知。 TL;DRAgent Memory 的五层模型，就像人类大脑的结构化记忆系统。 工作记忆负责即时 情景记忆负责事件 语义记忆负责知识 程序性记忆负责技能 外部持久记忆负责归档 业界工程实践已经逐步达成共识：分层 + 策略化 + 可控。这是未来对话式 Agent 真正“有记忆力”的基础。 1. 工作记忆（Working Memory） 定义：Agent 当前正在处理的上下文，类似人类的「短时记忆」。 特点：存活时间短、容量有限，常常就是一段对话上下文窗口。 类比：你在和朋友聊天时，能记住刚才说的两三句话。 实现方式： LLM prompt 窗口（context window） Scratchpad 技巧（中间步骤写出来） 代表案例：LangChain 的...

最近在做一个新的独立开发产品，核心功能里涉及到 多智能体协作。在调研阶段，我发现相关框架和工具特别多：有的强调团队角色分工，有的走可视化无代码路线，还有的专注研究“涌现行为”。于是我干脆整理了一份 Agent 框架全景图，按时间和特点做了分类。如果要做 B2B/B2C 的 Agent 产品，可以判断该走 可视化无代码（Flowise、n8n）、多角色分工（Meta-GPT、ChatDev）、还是 通用框架（AutoGen、Agno、CrewAI）路线。结合框架生态热度（Star 数、厂商背景）做市场判断，避免选型踩坑。 AgentUniverse（2023，开源 1.6k⭐）：支持多智能体协作，具备完整的规划、工具使用和内存管理能力，部署以本地为主，角色定义包括 PEER、DOE 等。Agentverse（2023，开源 4.7k⭐）：聚焦多智能体协同与涌现行为，角色涵盖专家、决策者等，采用基于阶段的控制流架构，支持跨平台部署。Agno（2024，开源 32.5k⭐）：轻量级多模态智能体框架，支持 “团队模式” 的多智能体协作，采用混合流（数据 +...

TL;DRClaude Code 之所以“顺滑”，核心不是模型，而是架构和设计哲学。 6 条可以直接迁移到你自己 Agent 的铁律： 保持单一主循环 —— 一条主 loop，最多一条分支，调试优先。 小模型，大闭环 —— 80% 的读/扫/总结都交给小模型，关键时刻才用大模型。 上下文文件（claude.md） —— 用一个 context 文件固化团队约定与偏好。 LLM Search 胜于 RAG —— 用 ripgrep/jq/find + LLM，而不是复杂的向量检索。 分层工具设计 —— 高频动作单独做工具，低频留给 Bash，高层工具保证 determinism。 显式 To-Do 清单 —— 让模型自己维护待办，防止长会话跑偏。 一、保持单一主循环我看到很多人做 Agent 时，喜欢搞多智能体、复杂 orchestrator。结果是：看 demo 很炫，真要调试时一团糟。Claude Code 完全反其道而行之：一条主循环，最多一条分支。 它的策略是：如果遇到复杂任务，就 spawn...

看似聪明的 Agent 方法论，可能是陷阱。少即是多。

起心动念周一晚上，本来想早点休息，结果脑子突然冒出个念头： “要是有个离线可用、免登录的大会日程助手就好了。” 于是干脆一口气写了 5 个小时，把一个可用版本搞了出来。核心约束很明确：免登录、离线、轻交互。目标很单纯，就是现场能救急。 临时开工整个技术方案非常 indie： React + PWA + Vercel 一键部署 数据靠 GPT 整理的大会官网，然后导入 JSON 没有后台，没有账号，全在前端跑 代码写得像夜宵拼盘，能跑就行。为什么选纯前端？为了离线和快速交付。上线第一天就接到 iOS 用户反馈打不开，着急忙慌修问题，才发现自己紧急开发没有充分测试设备的问题。那一晚边修边想：“这样上线真的有人用吗？” 上线与运营周二白天，我赶紧补了点运营内容。发到 v2ex，几乎没人理；同时小红书，反而慢慢起来了。陆陆续续有人私信问“怎么用”，我只好一边当客服一边补文案。没想到借着这件事，还面基了不少人。 这让我意识到：即便是独立开发的小工具，找到合适的分发渠道也比想象中重要。 两天的数据 结果出来后有点意外： 76 位用户 841 次访问 平均使用时长 2 分...