记忆并非理所当然，理解 AI 时代的记忆记忆是我们日常生活中不可或缺的一部分。从小到大，我们积累的经验和知识形成了对世界的认知框架。人类的记忆帮助我们在面对未知时作出反应，记住重要的事情，避免重复犯错。但是，如果我们只将 记忆 理解为人类自然存在的生理过程，那么在面对人工智能（AI）时代的 Agent Memory 时，可能会产生误解。 在 AI 的世界里，记忆并不像人类那样自然而然地存在。这也是为什么我们需要从一个全新的角度，去理解和探索 Agent Memory —— 它不仅仅是记住过去的互动，而是让机器能够像人类一样，通过记忆优化每次决策的能力。 通过这篇文章，我将带你走进 Agent Memory 的世界，解答这个关键问题： Agent Memory 是什么？为什么它对智能代理至关重要？ 什么是 Agent Memory？Agent Memory 是人工智能代理（AI Agent）中的“记忆系统”，它是人类设计的存储、更新/遗忘和检索机制。它使得 AI...

TL;DRLLM Agent 的记忆系统关键不在“能记多少”，而在“能否精准想起”。本文总结了 三类触发机制 与 六种检索策略，构成了一个从“何时想起”到“如何检索”的完整框架： 🧠 触发机制（When to Recall） 规则触发 —— 窗口容量不足时检索历史 反思触发 —— 模型自觉遗忘时主动检索 事件触发 —— 特定情境或失败日志触发回忆 🔍 检索策略（How to Retrieve） 语义相似检索 混合检索 图式检索 元数据过滤 重排 反思式检索 这些策略共同构成了 RAG（Retrieval-Augmented Generation） 的多种实现形态，从简单的语义召回到带有反思与路由能力的自适应检索。记忆不是仓库，而是过滤器——检索策略定义了 Agent 的注意力边界，也塑造了它的“思考深度”。 前言LLM Agent 记忆系统的挑战不在“能存多少”，而在“能否精准想起”。AutoGPT 曾经尝试将所有任务摘要向量化存入 Pinecone，但检索常常召回“语义相似但任务无关”的记录。Voyager 在 Minecraft...

前阵子有朋友问我： “Agent 和 MCP 到底有什么区别啊？” 我当时愣了一下。 这问题乍听很简单，甚至让人觉得是不是在“混淆概念”。 但转念一想，没错啊。对于刚入行的人来说，各种 buzzword 像弹幕一样飞来，Agent、MCP、RAG、LangChain……乍一看都差不多，背后却完全不是一回事。 我决定写下这篇文章。 不是为了定义概念，而是想把它们放回该在的位置。这样以后遇到选择，就不会懵逼。 Agent 是人，MCP 是语言如果把 Agent 比作一个人： 眼睛耳朵是 感知（输入） 大脑是 认知与推理（记忆、判断） 决定去做什么是 决策 动手去做是 执行 事后总结经验是 反馈 而 MCP 呢？ 它不是另一个“大脑”，而是这人和外部世界说话时，用的通用语言。 Agent 想用锤子、笔记本、数据库……如果没有通用语言，就只能每次“手舞足蹈”解释一遍。但有了 MCP，像插 USB 一样——对接标准统一了，沟通就不再痛苦。 三种方式接工具作为开发者，我自己踩过的坑大概分三种： 直连...

在上一篇文章里，我聊过 Agent 记忆的五层模型。那篇文章更多是框架视角：我们需要区分短期记忆、长期记忆、情景记忆、语义记忆、技能记忆等等。但是，当真正开始在工程里落地的时候，很多人会遇到一个更具体的问题： Agent 每天都在接收大量输入，但不可能把所有内容都存下来。那，究竟应该“记什么”？ 这个问题听起来简单，背后却很关键。因为一旦写入策略没设计好，要么记忆库很快“垃圾堆积”，要么遗漏了用户真正关心的事实。今天就来聊聊 记忆写入策略。 TL;DR多轮对话 Agent 不可能“什么都记”，关键是设计写入策略。本文总结了三种常用方法，并给出 LangGraph + 向量库的代码示例： LLM 打分（重要性）：让大模型自己评估一条信息对未来是否重要，重要才写入。 相似度检测（新颖性）：用 embedding 检查新信息是否与已有记忆相似，避免重复存储。 计数与蒸馏（高频性）：对重复出现的信息进行计数，达到阈值后用 LLM 总结为一条稳定事实。 这三种策略往往要混合使用，才能既不遗漏关键信息，也避免记忆库膨胀。 策略一：LLM...

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 ConversationBuffer、ChatGPT...

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。