自进化记忆系统
将以下提示词粘贴到你的 AI 对话框中:
请根据官方安装指南 https://skillhub.cn/install/skillhub.md ,在所有对话中安装指定规范名 @user_5d9e7cf1/agent-memory-evolution 对应的 Agent 自进化记忆系统技能。
技能介绍
Agent 每天学几条经验,几个月后记忆池里躺着几百条规则。没有筛选机制,每次任务都要全量扫描,检索成本直线上升,真正有用的几条被淹没;更糟的是,把用户纠正原封不动存下来,并不能保证下次行为真的改变。记忆不是日志,它需要被提炼、被验证、被遗忘。
核心机制:把失败蒸馏成规则
出现错误或收到纠正时,本技能先做三层归因:定位表层错误类型(工具选择、知识盲区、逻辑跳跃等),追问根因(系统性缺失、流程缺陷、认知偏差),再判断这次失误是可泛化模式还是一次性异常。只有可泛化的部分才会被压缩成一条原子化规则,明确触发场景和行动建议,而不是笼统的「下次注意」。写完不算结束,还要走一遍 Write-Verify 闭环:任务前应用,任务后校验,连续失败自动回滚,连续通过才标记稳定。
效用追踪与三级遗忘
每条经验携带 use_count、utility、last_used 字段,衡量它真正救过场的次数;检索时按 utility × topic_match 排序,让相关性压过历史表现。会话结束自动自检,被注入但对任务无效的经验降权,防止过时建议长期滞留。每周审计执行去重、效用重算和矛盾检测,配合过期、归档、覆盖三级遗忘,让记忆池收敛到稳定规模。
适用边界
这是纯外部记忆方案:所有写入发生在提示词语境或文本文件里,不触碰模型权重;语义匹配基于文本相似度,图像、音频等非文本记忆需额外接入嵌入模型;高频经验升级为工作流需要人工确认,不会静默执行。
使用场景
- 当 Agent 因漏掉关联目录的修改导致项目报错,且被用户纠正时,将触发进化环路并对路径依赖错误进行归因
- 当 Agent 连续三天引用同一条列表工具选择规则但后续任务均失败,会在会话自检时对该经验的效用进行降权
- 在完成包含多步校验的复杂部署流水线后,用户希望主动提议将这套多步流程直接升级固化为常规的工作流
- 当审计脚本扫描记忆目录时发现新旧两条投资分析规则冲突,需保留验证次数更且效用更的条目
适合人员
- LLM 应用开发者:希望 Agent 在多轮任务中能记住用户的纠正、持续优化行为,而不是每轮从零开始
- Agent 平台工程师:需要一套可落地的记忆系统,包括去重、遗忘、效用追踪和审计机制,便于后续排查问题
- 自动化测试工程师:关注 Agent 在回归测试中是否重复犯同类错误,并希望对记忆池进行一致性校验
- 企业 AI 落地负责人:计划将 Agent 部署到高频业务流程中,需要控制记忆膨胀并评估长期运行成本