Agent 的记忆,记岔了比没记更坑
上一篇讲上下文那是一次会话里的短期记忆会话一结束就没了。可老用户回来排第三趟行程Agent 不该还在问「你喜欢住民宿还是酒店」这事他半年前就告诉过你。跨会话记住一个用户是谁靠的是另一套东西记忆系统。在 Claude Code 里它叫 CLAUDE.md你的项目约定、代码风格写一次之后每次它都记得。野行 Y 里对应的东西是用户画像。但记忆这东西做起来特别容易在两个地方栽跟头而且栽了比不做还糟。这篇就讲这两个坑以及怎么绕开。先说清楚记忆记什么。野行 Y 的用户画像记两类。一类是显式偏好用户在账户里设过的住宿档次、出行节奏、预算、体力、忌讳、兴趣这些是他主动告诉系统的最可靠。另一类是行为记忆他做过、参与过的行程这个不用问从数据库里捞最近六条标题。于是一个老用户开新对话Agent 一上来的 system 里就带着「固定偏好住民宿、深度慢玩、预算适中做过川西小环线、洱海环湖」它一张嘴就「记得」这个人能说「你之前走过川西这次给你换个方向」。这里有个容易混的地方要厘清记忆和上下文是两回事。上下文在模型的窗口里活一次会话记忆在数据库里跨会话、长期存着。关键是数据库里躺着的记忆模型自己是看不见的它不会凭空「感应」到。得在合适的时机把它提炼成一小段注入到这次会话的上下文窗口里模型才读得到。记忆负责长期存上下文负责当次用两者是接力关系。现在说第一个坑也是最凶的一个记岔了。记忆最危险的地方是记错了还理直气壮。模型对注入进来的东西是全盘相信的你往它记忆里塞一句错的它会拿这句错的去误导用户整趟行程语气还特别笃定。所以这个项目有一条铁律从第一天就立着记忆里的每一条都必须真实、可追溯绝不能是模型自己编出来的。看前面那段「做过的行程」它是从行程表里真实查出来的标题模型没插手只是把真实数据摆出来。偏好也一样来自用户在账户里真实设置模型不参与猜测。这跟整个 Agent 的第一原则一致系统提示词开头就写着「禁止凭空编城市、距离、价格」这条对工具成立对记忆同样成立。为什么这么较真因为一个会编记忆的 Agent比一个没记忆的 Agent 更糟。没记忆最多每次重新问一遍烦一点编记忆是拿着假的「我记得你说过」去误导决策用户还不容易察觉。所以记忆系统的可信度要排在它的丰富度前面。代码里有个小而关键的细节新用户没有任何数据的时候画像函数返回一个空字符串什么都不注入。宁可不注入也不硬凑一段「这个用户可能……」的猜测。没有记忆好过错的记忆。第二个坑更微妙就算记忆是真的把它当成命令来执行也会出问题。一个用户去过川西不代表他这次也想去高原他偏好住民宿也不代表这次带着老人还非民宿不可。记忆是背景是帮你更懂他的一层底色别把它当成这次任务的硬指标。所以注入用户画像的时候我在提示语里专门给它松了绑明写一句「这些是背景帮你更懂他别生搬按当前这次的需求灵活参考」。这一句松绑很要紧。它告诉模型当前这次对话里用户新说的话永远优先于历史记忆。记忆解决的是「默认值」问题让你不用每次从零问起但它不该盖过用户此刻的明确表达。把这个优先级搞反Agent 会显得又固执又不听话明明记性好体验反而更差。说到底做专用 Agent 的记忆系统我把它收成三条只记这个领域里真正跨会话有价值的东西别什么都往里塞每一条都必须真实可追溯从数据库来、从用户设置来绝不让模型编宁可空着注入的时候讲清楚它是背景参考当次意图永远优先。守住这三条记忆会让 Agent 越用越懂你破了任何一条它会越记越坑。到这儿主循环里的独角戏就讲完了一个模型、一套工具、一段上下文、一份记忆。但有些活交给同一个模型在主循环里顺手做并不好。要么慢该并行的串成了一条要么不客观让排方案的人自己检查自己的方案。下一篇讲子 Agent什么时候该把活派出去、并行地做或者换一个新的脑子来核对。

相关新闻

Litestar 4D:室内照明

Litestar 4D:室内照明

室内区域照明是 Litecalc 的一部分,用于管理通用室内区域的照明,包括以下功能: 通过 2 种模式设计和管理室内区域:向导和高级(自由模式) 导入具有区域特征的Dxf文件 手动插入单个灯具或灯具组 从外…

2026/7/29 15:31:18 阅读更多 →
暗黑破坏神2现代化改造指南:D2DX补丁让经典游戏焕发新生

暗黑破坏神2现代化改造指南:D2DX补丁让经典游戏焕发新生

暗黑破坏神2现代化改造指南:D2DX补丁让经典游戏焕发新生 【免费下载链接】d2dx D2DX is a complete solution to make Diablo II run well on modern PCs, with high fps and better resolutions. 项目地址: https://gitcode.com/gh_mirrors/d2/d2dx 你是否还…

2026/7/29 15:31:18 阅读更多 →
使用VirtualLab Fusion和MATLAB进行跨平台光学建模和设计

使用VirtualLab Fusion和MATLAB进行跨平台光学建模和设计

摘要因为单个软件很难为研究中的不同领域提供所需的功能,所以通常复杂光学系统的建模和设计通常需要同时使用多个软件。 通过标准批处理模式,我们演示了如何使用MATLAB访问VirtualLab Fusion的场解算器并使用MATLAB执行光学仿真。 本示例展示了基于多种配…

2026/7/29 15:31:18 阅读更多 →

最新新闻

DVWA靶场SQL注入实战:从原理到手动注入与防御

DVWA靶场SQL注入实战:从原理到手动注入与防御

1. 项目概述:从DVWA靶场到SQL注入实战 如果你刚开始接触网络安全,尤其是Web安全,那么“DVWA”和“SQL注入”这两个词对你来说一定不陌生。DVWA,全称Damn Vulnerable Web Application,直译过来就是“该死的脆弱Web应用”…

2026/7/29 15:39:27 阅读更多 →
硬纸板与面包线:零门槛电子创意入门与Arduino智能小装置制作

硬纸板与面包线:零门槛电子创意入门与Arduino智能小装置制作

1. 项目概述:当硬纸板遇上电子创意 “盒仔家里造”这个项目,听起来就带着一股子亲切的动手乐趣。它本质上是一个极简主义的电子创意项目,核心在于利用生活中最常见的废弃硬纸板作为结构主体,配合最基础的电子元件——面包线&#…

2026/7/29 15:39:27 阅读更多 →
BetterNCM安装器:3分钟搞定网易云插件管理的终极解决方案

BetterNCM安装器:3分钟搞定网易云插件管理的终极解决方案

BetterNCM安装器:3分钟搞定网易云插件管理的终极解决方案 【免费下载链接】BetterNCM-Installer 一键安装 Better 系软件 项目地址: https://gitcode.com/gh_mirrors/be/BetterNCM-Installer 还在为网易云音乐插件安装的复杂步骤而烦恼吗?BetterN…

2026/7/29 15:39:27 阅读更多 →
推荐召回率卡在62.3%?,资深工程师逆向推演TOP3平台未披露的多模态特征对齐秘技

推荐召回率卡在62.3%?,资深工程师逆向推演TOP3平台未披露的多模态特征对齐秘技

更多请点击: https://kaifayun.com 第一章:推荐召回率卡在62.3%?——问题现象与行业基准解构 当线上推荐系统长期稳定在62.3%的召回率(Recall100)时,这并非偶然阈值,而往往指向模型能力边界与工…

2026/7/29 15:39:26 阅读更多 →
Arduino驱动8x8 RGB LED点阵:SPI通信与rgb_matrix库实战指南

Arduino驱动8x8 RGB LED点阵:SPI通信与rgb_matrix库实战指南

1. 项目概述:点亮一块会变色的“像素画板”最近在整理工作室的元件盒,翻出来几块之前买的8*8三色全彩LED点阵模块。这玩意儿买的时候觉得挺酷,能显示各种颜色,但吃灰久了都快忘了怎么用了。正好手边有Arduino Uno,就想…

2026/7/29 15:39:22 阅读更多 →
英雄联盟终极自动化工具:League Akari完整指南与安装教程

英雄联盟终极自动化工具:League Akari完整指南与安装教程

英雄联盟终极自动化工具:League Akari完整指南与安装教程 【免费下载链接】League-Toolkit An all-in-one toolkit for LeagueClient. Gathering power 🚀. 项目地址: https://gitcode.com/gh_mirrors/le/League-Toolkit 您是否厌倦了在英雄联盟游…

2026/7/29 15:38:21 阅读更多 →

日新闻

【RT-DETR多模态创新改进】CVPR 2025 | 独家特征融合创新改进篇 | 引入RLAB残差线性注意力模块,有效融合并强调多尺度特征,多种改进点,适合红外与可见光融合目标检测任务,有效涨点

【RT-DETR多模态创新改进】CVPR 2025 | 独家特征融合创新改进篇 | 引入RLAB残差线性注意力模块,有效融合并强调多尺度特征,多种改进点,适合红外与可见光融合目标检测任务,有效涨点

一、本文介绍 🔥本文在RT-DETR多模态融合目标检测中引入RLAB残差线性注意力模块,可在不同模态特征交互阶段进行多次残差细化,使可见光、红外等特征在尺度、语义和空间位置上更好对齐;随后将细化特征与解码器输出拼接并生成Q、K、V,通过线性注意力自适应强化关键通道、目…

2026/7/29 0:00:23 阅读更多 →
AI编程系列02:合并知识功能,给 AI 问数和 RAG 场景打基础

AI编程系列02:合并知识功能,给 AI 问数和 RAG 场景打基础

AI编程系列02:合并知识功能,给 AI 问数和 RAG 场景打基础 在上一期「AI编程系列」中,我们学习了如何构建一个基础的 AI 问答系统,通过简单的输入输出让模型回应问题。但现实世界中的 AI 应用往往需要处理更复杂的场景:…

2026/7/29 0:00:23 阅读更多 →
AI智能体开发实战:从工具调用到企业级部署

AI智能体开发实战:从工具调用到企业级部署

1. 从被动问答到主动执行:AI Agent的范式转变过去两年,大语言模型最显著的应用形态是聊天机器人——用户提问,AI回答。但真正的生产力革命发生在2023年下半年:当AI学会主动调用工具完成任务时,生产力工具的历史被彻底改…

2026/7/29 0:00:23 阅读更多 →

周新闻

深度学习道路桥梁裂缝检测系统 道路桥梁裂缝检测数据集 道路桥梁病害识别检测数据集

深度学习道路桥梁裂缝检测系统 道路桥梁裂缝检测数据集 道路桥梁病害识别检测数据集

深度学习道路桥梁裂缝检测系统 数据集6000张 完整源码已标注数据集训练好的模型环境配置教程程序运行说明文档,可以直接使用!系统支持图片、视频、摄像头等多种方式检测裂缝,功能强大实用。 1数据集6000张 8各类别

2026/7/28 12:04:22 阅读更多 →
深度学习YOLO模型如何训练 PUBG 绝地求生目标检测数据集

深度学习YOLO模型如何训练 PUBG 绝地求生目标检测数据集

pubg数据集 精选原图1.42万数据 1.49万标签 无任何重复、算法增强或冗余图像! pubg绝地求生目标检测数据集 1分类:e_body,14905个标签,txt格式 共计14244张图,99%为640*640尺寸图像 适合yolo目标检测、AI训练关键词&am…

2026/7/29 14:34:28 阅读更多 →
Apex英雄目标检测数据集 深度学习框架YOLO如何训练APEX数据集

Apex英雄目标检测数据集 深度学习框架YOLO如何训练APEX数据集

Apex检测数据集数据集详情检测类别: allies enemy tag图片总量:7247张训练集:5139张验证集:1425张测试集:683张标注状态:全部已标注,即拿即用数据格式:支持YOLO格式及其他格式&#…

2026/7/29 15:00:03 阅读更多 →

月新闻