人工智能AI Agent大模型深度研究自主智能体深度学习【免费下载链接】auto-deep-researcher-24x7 An autonomous AI agent that runs your deep learning experiments 24/7 while you sleep. Zero-cost monitoring, Leader-Worker architecture, constant-size memory.项目地址https://gitcode.com/gh_mirrors/au/auto-deep-researcher-24x7点击查看免费下载auto-deep-researcher-24x7Deep Researcher Agent是一个让你的深度学习实验在无人值守状态下 24/7 自主运行的开源 Agent 项目。它最被低估的工程亮点就是解决长时运行 Agent 上下文爆炸痛点的**双层恒定大小记忆Two-Tier Memory**设计无论 Agent 跑了 1 天还是 6 个月送进模型的记忆预算始终锁定在约 5,000 字符约 1,500 tokens——不膨胀、不遗忘关键结论、成本可预期。本文带你完整拆解这套设计的动机、结构与代码落地。为什么长时运行 Agent 会失忆上下文爆炸的真实面貌如果你自己搭过会循环跑实验的 Agent大概率踩过这两个坑越跑越贵每轮 THINK → EXECUTE → REFLECT 产生的对话记录不断追加进上下文几百轮之后每次 API 调用的 input token 都以指数级膨胀越跑越蠢超长上下文里塞满了早已失效的中间细节模型的注意力被稀释决策质量明显退化。常见的偷懒做法是把所有历史对话原样保留或干脆每轮截断最近 N 条——前者成本失控后者丢掉关键实验结论。而 auto-deep-researcher-24x7 的官方战绩是连续 30 天无人干预自主运行、500 实验循环24 小时循环的 LLM 成本仅约 $0.08。成本能压到这个量级恒定大小记忆功不可没。架构速览记忆系统在整体中的位置先看整体架构图右侧的 TWO-TIER MEMORY 就是本文主角整个系统由 core/loop.py 驱动主循环core/agents.py 负责 Leader-Worker 调度core/memory.py 负责记忆core/monitor.py 负责零成本监控。更完整的组件说明见 docs/architecture.md。值得注意的是恒定大小记忆并不是孤立的。它与另外两个上下文瘦身机制配合——训练期间零 LLM 调用监控core/monitor.py、Leader 会话历史每个循环开始时重置core/loop.py三者共同保证上下文不随时间变胖。双层恒定大小记忆设计详解Tier 1PROJECT_BRIEF.md —— 冻结的项目宪法 第一层是 PROJECT_BRIEF.md 这类项目简报文件由人类编写、Agent 永不修改存的是稳定信息目标、约束、允许的搜索空间、决策树如果精度 75%尝试余弦退火读取时硬上限3,000 字符超出部分直接截断见 core/memory.py 的get_brief()它保证每一轮 Agent 都知道我是为谁、在什么规则下干活而这份信息本身永远不会过时、永远不会膨胀。Tier 2MEMORY_LOG.md —— 自动压缩的滚动记忆 第二层是 Agent 自己维护的滚动日志 MEMORY_LOG.md位于项目的workspace/目录下内部分两个小节小节内容压缩策略Key Results里程碑每次实验的关键结果如 Exp001: ResNet-50 基线, 76.3%小节超过 1,200 字符时丢最旧的条目Recent Decisions近期决策最近做出的判断与转向理由只保留最新 15 条滚动淘汰自动压缩的核心逻辑非常直白这是全文最值得抄作业的部分里程碑按字符预算淘汰写入新里程碑后循环弹出最旧条目直到回到 1,200 字符预算内见 core/memory.py决策按条数滚动超过 15 条就只留最近 15 条见 core/memory.py整份日志设硬顶落盘前若总量超过 2,000 字符触发激进压缩——先砍最旧里程碑、再砍最旧决策直到达标见 core/memory.py。预算算账为什么 5K 字符就够用把两层加起来看总预算层级文件承载内容字符上限Tier 1PROJECT_BRIEF.md冻结的目标与约束3,000Tier 2 Key ResultsMEMORY_LOG.md滚动里程碑1,200Tier 2 Recent DecisionsMEMORY_LOG.md最近 15 条决策—Tier 2 合计MEMORY_LOG.md滚动工作记忆2,000总计—恒定 ≈ 5,000 字符 / ≈ 1,500 tokens永不变化设计精髓在于分层淘汰里程碑比决策更珍贵所以日志超限时先砍里程碑、后砍决策的顺序恰好反过来——决策是最近打算干什么时间一过就作废里程碑是我们做到过什么丢了才是真损失。这个优先级判断比很多号称Agent 记忆框架的方案都务实。代码落点一次循环中记忆的完整流转理解这套设计最快的方式是跟着一轮循环看数据流THINK 阶段core/loop.py 的_think()组装上下文——briefTier 1memory_logTier 2 轮次号 人类指令交给 Leader 做规划REFLECT 阶段core/loop.py 的_reflect()复用同一份记忆上下文评估实验结果随后把反思产出的milestone/decision分别写回log_milestone()/log_decision()压缩规则即刻生效Leader 输入格式化core/agents.py 的_format_leader_input()把两层记忆渲染成结构化 sectionProject Brief / Memory Log / Human Directive人类指令被标注为最高优先级预算参数注入core/loop.py 在构造MemoryManager时从配置读取四个预算参数。整个记忆层就是一个约 150 行的类core/memory.py无向量数据库、无外部存储依赖——对新手而言这是完全可以读懂并移植到自己项目里的方案。如何调整记忆预算四个配置参数所有预算都暴露在 config.yaml 的memory段按需微调即可memory: brief_max_chars: 3000 # Tier 1 项目简报上限 log_max_chars: 2000 # Tier 2 日志总量硬顶 milestone_max_chars: 1200 # Key Results 小节上限 max_recent_entries: 15 # Recent Decisions 滚动条数实验周期很长、里程碑很贵例如 GAN 调参调大milestone_max_chars和log_max_chars决策变化极快、旧决策毫无参考价值把max_recent_entries调到 5~8让记忆更锐利。由于总量恒定调大预算的代价是线性的、可预估的——这正是恒定大小四个字带来的工程安全感。与八大成本控制策略的配合恒定大小记忆是项目 8 项成本控制策略中的第 2 项完整列表见 README.md 的 Cost Control Strategies 一节几个最关键的组合拳零 LLM 监控训练期间只查 PID、跑nvidia-smi、tail 日志90% 的运行时零成本Two-Tier 记忆自动压缩固定上下文窗口本文主角Leader 上下文按循环重置每个循环开始清空 Leader 会话历史简报每轮只发一次单 Worker 串行任意时刻只有一个 Worker 在跑杜绝并行 LLM 开销。官方实测数据8 小时训练的 24 小时循环LLM 总花费约$0.08。小结把记忆当成一等公民来设计 auto-deep-researcher-24x7 的双层恒定大小记忆给长时运行 Agent 的上下文管理提供了三个可迁移的思路冻结层 滚动层分离稳定信息目标/约束与易变信息结果/决策分文件、分策略管理字符预算优先于条数直接对送进模型的字符数设硬顶成本上限一目了然淘汰顺序体现信息价值超限时按哪类信息更值得留的顺序淘汰而不是一刀切。如果你的 Agent 也在越跑越贵、越跑越傻不妨从 core/memory.py 这 150 行代码开始抄作业——它足够简单简单到任何框架里都能落地。赞分享人工智能AI Agent大模型深度研究自主智能体深度学习【免费下载链接】auto-deep-researcher-24x7 An autonomous AI agent that runs your deep learning experiments 24/7 while you sleep. Zero-cost monitoring, Leader-Worker architecture, constant-size memory.项目地址https://gitcode.com/gh_mirrors/au/auto-deep-researcher-24x7点击查看免费下载相关推荐解决对话失忆难题Langchain-Chatchat上下文记忆核心机制详解解决对话失忆难题Langchain Chatchat上下文记忆核心机制详解 你是否遇到过AI对话时聊过就忘的尴尬当对话超过一定长度模型就会丢失早期信息人工智能大模型RAGAI Agent本地部署后端DLSS Swapper 教程3 步搞定游戏 DLSS 版本切换DLSS Swapper 教程3 步搞定游戏 DLSS 版本切换 游戏更新后DLSS 画面发虚、帧数还掉了DLSS Swapper 让你不更新游戏就能切换桌面应用openJiuwen agent-core Auto Harness 上下文体系解析contexts 模块的任务运行时依赖与分层执行上下文openJiuwen agent core Auto Harness 上下文体系解析contexts 模块的任务运行时依赖与分层执行上下文 本篇指南围绕 op人工智能AI AgentAgent 框架大模型工具调用RAG提示工程强化学习创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考