不同 Agent 的记忆机制形式不同但底层思路很接近从历史任务里提炼经验存成本地可读文件再在相关任务里召回。对比维度 Codex 类机制 Claude 类机制触发方式 更偏后台自动从历史会话里提炼 更偏在项目执行中主动整理组织形态 独立经验卡片偏跨任务通用 目录页加专题文件偏项目级组织存储位置 统一记忆目录方便跨会话使用 跟项目绑定方便承接项目规则共同点 都记“经验”而不是完整聊天都能被人查看、修改、删除召回时都强调少而精 共同点相同这类机制已经很有用但它也有明显上限。Agent 只能记住自己参与过的窗口和能访问的目录。真实工作环境里的飞书消息、会议纪要、文档、代码评审、设计稿、邮件和内部系统往往都不在它的视野里。还有一个问题记忆通常跟着工具走。换一个 Agent历史经验不一定能带过去。于是一个更稳的方向是把个人或团队的知识系统独立出来让不同 Agent 都能读取同一套可治理的知识资产。知识库架构从原始材料到可召回资产个人工作记忆不能只靠“保存资料”。原始数据太乱直接塞进知识库会出现一个尴尬结果模型知道有这批资料但召回不到关键片段。更合理的链路是先清洗、分片、建卡再进入语义学习和召回系统mermaid-01.png图从原始材料到 Agent 召回的工作记忆沉淀链路这个图里的关键点不是向量库而是“结构化卡片”。真实工作里的召回维度经常是人、日期、项目、模块、MR、会议结论、待办、决策。如果这些维度没有在数据进入知识库前显式建出来后面只靠语义搜索很难稳定命中。五类知识不是所有东西都该进记忆一套可用的 Agent 知识系统至少要区分五类内容类型 例子 建议存法原始数据 聊天记录、会议纪要、MR、日志、文档、截图 resource保留来源和时间可检索卡片 某次会议结论、某个 bug 排查、某个模块决策 retrieval card结构化摘要长期记忆 稳定偏好、项目惯例、历史决策、常见坑 memory短、准、有证据技能流程 review 流程、日报生成、发布检查、排障手册 skill / playbook / template实时状态 今日排期、线上指标、最新 MR 状态 不进长期记忆现场查询这张表背后有一个原则长期记忆只放未来会反复用、能改变行动的东西。临时状态不该进长期记忆敏感信息也不该进。否则记忆会从资产变成污染源。记忆准入短、稳、可回查一条记忆是否值得保存可以用五个条件过滤条件 含义稳定 未来还会反复用不是一次性状态可执行 能改变下一次任务的做法可验证 能回到原始证据而不是凭空总结不敏感 不包含 token、cookie、个人隐私和不该长期保存的信息不空泛 不能是“认真验证”“注意质量”这种废话Skill 或自动化也有类似准入标准重复出现、有明确输入、有固定步骤、有验证标准、有常见失败才值得封装。否则写出来也不会被用甚至会误导 Agent 走错流程。召回策略少而精比全量更重要很多知识库项目最后失败不是因为资料太少而是召回太粗。Agent 每次拿到一堆无关上下文会更慢、更贵也更容易被干扰。召回应按任务重排而不是按“相似度最高”一把梭。一个更可靠的排序方式通常会综合四类信号信号 用途项目相关性 当前任务属于哪个项目、模块或业务域时间新鲜度 最近决策、最新接口、最新规范优先证据强度 有来源、有会议结论、有代码或文档支撑的内容优先可执行性 能直接改变下一步操作的记忆优先这样召回出来的上下文才像“工作记忆”而不是资料大杂烩。从使用 Agent 到构建个人智能体高频使用 Agent 和打造有工作记忆的个人智能体其实是同一条路的两个阶段。前一个阶段解决“我怎么摸清 AI 的边界”。通过大量真实任务理解哪些事能交给它哪些事要拆哪些事必须验证。后一个阶段解决“AI 怎么记住我的边界”。通过记忆、知识库、skill、自动化和反馈把个人经验变成模型能调用的外部系统。这件事短期看是在提效长期看是在改变个人工作方式。人的经验不只存在文档里也存在聊天、会议、代码、复盘和脑子里的隐性判断里。把这些经验用正确粒度沉淀下来Agent 才可能从“会回答的工具”变成“能承接工作上下文的协作者”。