Agent 记忆系统:从零到上线
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md ,安装 @user_2af611f4/agent-memory-zero-to-production。
技能介绍
要解决的具体问题
Agent 系统常陷入记忆相关的工程困境:想加记忆却不知从何下手,记忆容量触顶后不敢清理,用户反复纠正却仍犯同类错误,长对话导致 context window 溢出,系统运行越久响应越慢,在 BM25 和向量检索间难以权衡。这些痛点的本质是未建立“记忆即外部 optimizer state”的工程认知——@user_2af611f4/agent-memory-zero-to-production 技能正是为破解这些问题而生。
核心能力与关键步骤
- 五层记忆架构:按
L0(当前会话)到L4(可复用工作流)分层存储,明确每层保留/舍弃的内容边界,避免无差别写入。 - 写入与检索机制:通过“写入五问”决策树过滤无效信息,用
话题标签、验证状态、使用次数等元数据驱动效用评分,决定检索优先级;提供BM25与向量检索的真实踩坑对比,附选择决策树。 - 遗忘与反思:实现三级遗忘(软遗忘 30 天未使用降权、硬遗忘 90 天归档、覆盖遗忘冲突替换),通过
Reflexion模式记录“错误原因+修正方式”而非仅存事实;内置月度审计流程与Write-Verify闭环,验证技能更新后的实际效果。 - 长对话与容量管理:提供对话压缩协议(触发条件:100+轮/70%
context占用率),压缩摘要作为“检索加速器”而非原文替代;针对“8000 字符预算”,给出优先级排序与合并策略。
适用边界与注意点
- 需严格执行写入纪律:只存能改变未来行为的信息,推断内容需标注
[inferred],用户亲述内容标注[stated]。 向量检索的瓶颈是写入质量而非检索效果,若写入阶段未过滤垃圾信息,任何检索方案都无法弥补。- 遗忘前需确认:信息是否可重新获取、是否为其他记忆的依赖项、是否为用户明确亲述的事实。
- 依赖项处理:清理记忆前需先处理关联依赖,避免破坏记忆网络的一致性。
使用场景
- 当 Agent 对话超 100 轮时,需要压缩历史对话,避免 `context` 使用超 70%。
- 当用户纠正错误时,需要写入结构化反思,解决下次重复犯错的问题。
- 当记忆写入超 8000 字符时,需要按优先级整理,释放可重新获取的信息。
- 当系统运行变慢后,需要运行月度审计脚本,清理无效记忆条目。
适合人员
- 构建对话 AI 的后端开发者,需要设计分层记忆架构可自动压缩与归档的策略。
- 正在优化 LLM 工作流的工程师,需要解决长上下文对话性能下降的问题。
- 负责 Agent 可观测性的技术人员,需要实施记忆效用评分与月度审计机制。
- 构建个性化助手的开发者,需要让 Agent 从用户纠正中学习正确的行为模式。