- 综合排序
- 最热优先
- 最新优先
- 来自专栏服务端技术杂谈
用文件系统思路设计Agent记忆系统
用户与Agent的多轮对话过程中会出现很多记忆，包括用户原始的意图、诉求、关键词，还包括Agent的推理、规划、工具调用的执行结果及模型最终的响应。 每轮对话背后，都由一个智能体记忆模块会进行会话信息提炼和通用信息整理，不断抽取用户偏好、画像、核心事实、个性化信息等，用于辅助Agent在后续对话中进行推理。 如果哪天底层切换存储组件，Agent层完全不需要感知，切换很灵活。 因为在接口层面做了抽象，所以可以很好的面向功能进行接口涉及，而无需关注这个功能接口究竟是用了一个文件系统还是多个类型的文件系统。 回过头来，我们看一下从用户提出问题，到最终Agent给出回答的整个流程如下。 最终实现类似于操作系统的文件系统能力，让智能体的记忆可追溯（每一步有据可查）、可审计（所有操作都有日志）、可演化（新组件无缝接入），整个Agent的记忆历史都是可以回溯的，而不是黑盒了。
23710编辑于 2026-03-11 Agent 记忆系统的标准方案为何失效剖析
开发者Rohit面试失败后，开始深入研究Agent记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。 Agent忘记了用户是素食者。问题根源：对话历史不是记忆，只是聊天日志。方案二：向量数据库检索两周后，数据库积累了500条记录。用户问"我的工作情况"，向量检索返回12段矛盾片段。 Agent幻觉出错误的综合答案。问题根源：Embedding衡量的是相似性，不是真实性。向量数据库不理解时间、上下文或更新。短期记忆：Checkpointing每个Agent作为状态机运行。 Agent当操作系统，不是聊天机器人：RAM：当前对话的快速易失上下文硬盘：持久化、索引化的知识存储垃圾回收：定期维护，否则系统崩溃总结记忆系统的关键在于：不是存储，而是组织和衰减。 像操作系统管理内存一样管理记忆，Agent才能长期可靠地工作。
14110编辑于 2026-02-122026年Agent记忆系统方案横评与选型指南
2026年Agent记忆系统方案横评与选型指南AI发展正经历从模型时代向智能体时代再向认知时代的跃迁。 伴随这一进程，Agent记忆系统由辅助模块跃升为核心基础设施，承担“让AI记住过去、理解未来”的使命，支撑跨会话、长周期、多任务的连续智能表现。 技术路线全景与阶段跃迁Agent记忆技术沿时间轴铺展为十余条路线，形成全局视图。 OS化记忆中枢：记忆系统成为Agent的操作系统级组件，统一管理多模态、多Agent共享状态。时间图谱深化：引入时间戳与因果边构建事件网络，支撑长周期推理与回溯。 从外挂工具到原生核心，记忆系统正经历从“辅助”到“定义”的蜕变，未来智能体将以持续懂你、跨会话不断线的能力，成为可信赖的第二大脑。
30010编辑于 2026-05-07- 来自专栏技术杂记
Zabbix Agent 安装6
配置完监控插件后，要重启agent Note: 如果不重启，就读不到新添的配置，从服务端尝试获取信息，会出现如下报错 [root@zbx-server zabbix_agentd.d]# zabbix_get [root@zbx-server zabbix_agentd.d]# 重启agent [root@zbx-target zabbix_agentd.d]# /etc/init.d/zabbix-agent restart Shutting down Zabbix agent: [ OK ] Starting Zabbix agent: ，创建 Graphs ，拼接 Screens 就可以展示出非常炫目的dashboard效果 ---- 命令汇总 wget http://repo.zabbix.com/zabbix/2.4/rhel/6/ x86_64/zabbix-release-2.4-1.el6.noarch.rpm zabbix_get -s zbx-target -p 10050 -k "system.cpu.load[all,
89110编辑于 2022-03-21 Hermes Agent 三大核心能力详解：记忆系统、技能引擎与消息网关
但如果要选出最能体现其差异化价值的三个能力，一定是：记忆系统——这是"越用越聪明"的基础技能引擎——这是"自我进化"的实现消息网关——这是"随时可达"的保障核心能力一：三层记忆架构第一层：短期工作记忆（ Next.js","上线前端项目"]---##执行步骤1.检查Node.js版本（需要18+）2.Clone项目仓库3.安装依赖`npminstall`4.构建项目`npmrunbuild`5.配置PM2进程管理6.
1.1K20编辑于 2026-04-15Agent设计模式（6）：Multi-Agent模式——构建多Agent协作系统
在前面五篇文章中，我们探讨了单Agent的各种核心模式： Reactor让Agent懂感知和反应； Planner让Agent会规划； Tool-Use让Agent能调用外部工具； Memory让Agent 但现实世界的问题往往太复杂，单一Agent难以胜任。就像一个人解决不了所有问题，多个专业分工的Agent协作才是正解。 这就是今天要讲的Multi-Agent模式。 一、为什么需要多Agent？ 可扩展：新增功能只需添加新Agent 二、Agent角色设计：职责分离 Multi-Agent系统的第一步是角色定义。 多步骤 第3篇 Tool-Use模式 调用外部工具 需要扩展能力 第4篇 Memory模式 记住上下文 长对话、状态维护 第5篇 Chain-of-Thought模式 显式推理链 复杂推理、数学问题 第6篇 ） 个人助理Agent（日程、邮件、笔记） 数据分析Agent（读取、分析、可视化） 客服Agent（问答、转接、知识库） 结语 Multi-Agent模式是Agent设计的高阶形态，它让我们能够构建更强大
13310编辑于 2026-05-09- 来自专栏DeepHub IMBA
instinct：一个基于置信度的 AI Agent 自学习记忆系统
人去观察模式、记录下来、维护文件，Agent 只负责执行。 其实记忆应当是 Agent 在反复实践中习得的，而非人工分配的。 核心思想：基于置信度的学习 多数 AI Agent 记忆系统采用显式建模，即人写规则、Agent 遵照执行。 Model Context Protocol 是一个将 AI Agent 与外部工具连接的开放标准。 conf=12 [rule] — Prefer stdlib over third-party fix:missing-init conf=6 到第五次会话，Agent 对工作流的熟悉程度已经超过一个新加入的团队成员。
15310编辑于 2026-04-15 AI记忆系统对比
一个好的记忆系统，本质上就是一个“抠门且高效的管家”，它能帮你把原本需要几万甚至几十万Token才能说清楚的事情，压缩到几百字。这不仅关乎钱包的厚度，更直接决定了应用的响应速度和用户体验。 以下是为您更新后的终极选型对比表，特别增加了【费用降低效果】列：记忆系统开发团队情况核心范式与特色主打场景/杀手锏费用降低效果(Token/CostSavings)上手难度与集成方式潜在槽点MemoriMemoriLabs SQL原生+全链路归因Agent原生记忆层，将交互自动转结构化持久状态。打造极致的多智能体协同，需要精确追踪“谁在什么时候做了什么”。 解决长尾上下文遗忘难题，需要Agent具备“举一反三”的学习力。高(智能压缩降耗)通过反射机制过滤无效信息，极大减少上下文窗口膨胀带来的边际成本。 端侧设备、极度追求隐私保护、零成本的微型Agent。极高(零额外推理费)纯数学运算，无任何外部LLM依赖，完全杜绝了Embedding和推理的API调用费。
19110编辑于 2026-04-29- 来自专栏AgenticAI
6种AI Agent模式详解
适用于按领域或部门划分逻辑的系统 每个监督者管理一组特定任务或智能体 优势： 高度可扩展且结构清晰 各层级具备模块化控制能力 挑战： 实现复杂度较高 层级之间需要明确定义接口 适用场景： 企业级系统、多领域编排任务 6.
1.2K10编辑于 2025-07-27 - 来自专栏Langchain
【LangChain系列6】【Agent模块详解】
agent: LangChain中的agent与用户输入进行交互，并使用不同的模型进行处理。Agent决定采取何种行动以及以何种顺序来执行行动。 1-5、安装pip install langchain二、Agent模块详解2-0、Agent核心思想——React介绍2-0-1、React的介绍以及由来Agent核心思想React的由来: 在React 2-1、Agent介绍Agent的核心思想是使用LLM来选择一系列要执行的动作，图示相关内容介绍如下。 ）：Agent可以调用的一组工具或者是API，这些工具可以帮助Agent执行各种任务。 tools, prompt)agent\_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)from langchain\
2.9K11编辑于 2025-01-13 - 来自专栏Elastic Stack专栏
用 Elasticsearch 给 AI Agent 装一颗大脑：从零构建跨会话记忆系统
这篇文章记录了我如何用 Elasticsearch 的原生能力，给 Agent 装上一套真正能用的长期记忆系统。 Elastic 近期推出的 Agent Builder 和 Workflows 这两个功能，让你不用写一行应用代码，就能把上面所有能力串成一个完整的记忆系统。 这意味着整个记忆系统的工具层，零应用代码。5.1 工具一：Save_Memory（写入记忆）这个工具让 AI 在对话过程中，把识别到的高价值信息写入 Elasticsearch。 六、串联起来：Agent 如何使用记忆配置好工具后，在 Agent Builder 中把这两个工具分配给你的 Agent，再在 system prompt 里加上记忆管理的指令。 写在最后我一直觉得，AI Agent 领域最被低估的问题不是"推理能力"，而是"上下文工程"。模型越来越聪明，但如果你喂给它的上下文是垃圾，输出就是垃圾。记忆系统就是上下文工程的核心基础设施。
12611编辑于 2026-04-30 - 来自专栏Vegout
Nanobot 记忆系统深度解析
什么样的记忆会进入长期记忆 6. 总结 核心问题：记忆膨胀如何解决 问题背景 随着使用时间越长，nanobot 积累的记忆会越来越多。 长期记忆是用户的第二大脑，不是日志" ❌ 不会自动把所有对话都塞进去 ❌ 没有复杂的自动摘要算法 ✅ 依赖 LLM 的推理能力判断"什么值得记住" ✅ 保持简洁，只存真正重要的信息 总结 nanobot 的记忆系统通过分层设计解决了记忆膨胀问题
46910编辑于 2026-03-13 - 来自专栏服务端技术杂谈
智能体记忆系统
比如你是一个素食主义者，但因为智能体记忆缺陷，Agent给你推荐了烤肉，这会降低你对Agent的信任感。 更长的上下文会显著增加大模型的推理延迟，带来高昂的Token成本。 为了解决这一问题，业界开源了Mem0长期记忆系统。 它通过动态的提取、整合、检索对话中的关键信息，赋予了智能体长期记忆的能力。 底座是包含向量数据库和知识图谱架构设计。 这样memory记住的不是原始的对话，而是结构化的事实，让Agent更好掌握对话实质内容。 这些结构化信息将作为后续存储和检索的基础。 向量存储，解决的是语义理解。 最有效的记忆系统会将语义相似性搜索和关系遍历相结合的混合搜索。 当用户问：“其他具有相似风险偏好的客户提出过哪些投资担忧？”
36011编辑于 2026-03-11 - 来自专栏XINDOO的专栏
Agent设计模式——第 6 章：规划
规划的核心是 Agent 或 Agent 系统制定一系列行动以从初始状态向目标状态移动的能力。 规划模式概述 在 AI 的背景下，将规划 Agent 视为您委托复杂目标的专家是有帮助的。 因此，使用规划 Agent 与简单任务执行 Agent 的决定取决于一个问题：是否需要发现"如何"，还是已经知道？ 定义一个清晰且专注的 Agent planner_writer_agent = Agent( role='文章规划者和撰写者', goal='规划然后撰写关于指定主题的简洁、引人入胜的摘要 ), agent=planner_writer_agent, ) ## 使用清晰的流程创建团队 crew = Crew( agents=[planner_writer_agent], 明确定义了一个 ChatOpenAI 语言模型供 Agent 使用。创建了一个名为 plannerwriter_agent 的 Agent，具有特定的角色和目标：规划然后撰写简洁的摘要。
70810编辑于 2025-10-27 - 来自专栏机器之心
400篇参考文献重磅综述，统一调查「人脑×Agent」记忆系统
记忆系统奠定理论基石。 因此，记忆超越了其作为桥接历史交互的被动存储库的角色，而是充当 Agent 认知架构中的关键主动组件。因此，给 Agent 装上记忆系统，并非只是为了记住，而是为了实现三大核心作用： 图 1. 2.Agent 中的记忆存储 不同于人脑浑然天成的神经网络，Agent 的记忆系统是显式的工程构建。 Agent 记忆系统评测 综述将现有的 Benchmark 分为了两类： 面向语义（Semantic-oriented）：重点关注 Agent 如何构建、维护和利用其内部记忆中的信息状态。 面向情景（Episodic-oriented）：旨在评估复杂下游应用场景（使用外部工具完成任务）中 Agent 上记忆系统的实际性能增益。 表 1. 面向语义的基准 表 2.
40210编辑于 2026-01-12 Hermes Agent 持久记忆系统彻底解决上下文丢失
（不仅记得技术栈，还记得历史操作记录）记忆系统的技术细节写入机制记忆不是简单的"保存聊天记录"。 /project-docs/开始体验要充分体验记忆系统的价值，建议持续使用至少一周。在云端部署可以确保Agent持续运行，记忆不断积累。 Q3：如何防止Agent记住不该记住的信息？A：可以在对话中明确告诉Agent"不要记住这个"，也可以在config中配置记忆过滤规则。
66910编辑于 2026-04-16- 来自专栏AI SPPECH
MCP 与长期记忆系统结合
通过分析长期记忆在 Agent 系统中的核心作用，详细阐述 MCP 与向量数据库、知识图谱等记忆系统的集成机制。 ）的一个重要设计目标就是支持与长期记忆系统的深度集成，通过标准化的接口和协议，让 Agent 能够高效地存储、检索和利用长期记忆。 1.3 行业动态与技术趋势 当前，长期记忆系统已成为 AI Agent 领域的研究热点。 万条记忆数据，每条数据大小约 1KB 测试结果如下： 操作类型 平均响应时间 吞吐量（每秒操作数） 记忆存储 120ms 8,333 记忆检索（10条结果） 80ms 12,500 记忆更新 150ms 6,666 五、实际工程意义、潜在风险与局限性分析 5.1 实际工程意义 MCP 与长期记忆系统的结合在实际工程中具有重要意义： 提高 Agent 智能水平：赋予 Agent 持续学习和知识积累的能力，提高其决策质量和适应性
38210编辑于 2026-01-08 - 来自专栏苏三说技术
AI Agent中6种常用的设计模式
前言 在AI Agent概念井喷的2026年，我见过太多团队拿着大模型API就直接开干，结果要么是上帝提示词堆到失控，要么是Agent陷入死循环疯狂消耗Token，最终灰溜溜地回头重新设计。 今天，我将结合Spring AI Alibaba和AgentScope等主流框架的最佳实践，跟大家一起聊聊AI Agent开发中6种最实用的设计模式。 希望对你会有所帮助。 一、AI Agent的架构演进 在深入具体模式之前，我们先花一分钟理解Agent系统的核心架构。 Agent会自动判断何时调用哪个工具 String result = agent.call("帮我查一下订单ORD-123的物流状态"); 原理示意图： 优点：极大扩展了Agent能力边界；注解驱动， 分解任务，子Agent执行 企业级任务调度 嵌套模式 Agent内部包含子Agent 复杂分层系统 转交模式 Agent无法处理时转交其他Agent 客服升级场景 群聊模式 多个Agent自由讨论 创意头脑风暴
31710编辑于 2026-04-14 Agent开发入门教程
6 层： 用户层：工作台、LangSmith 等入口 2. Agent 编排层：Agent Manager、LangGraph 编排、Agent Factory、FC（Function Calling） 3. 领域能力层：MCP Server、领域 Sub Agent、高阶 Sub Agent 5. 知识与记忆：知识来源、记忆系统（长期/短期） 6. 再接 MCP Agent（复杂交互） 路径：`Top Agent -> 包装工具 -> Sub Agent(LangGraph) -> MCP Server -> 后端服务` 适合：多轮工具调用、 复杂任务：优先 `MCP + Sub Agent + LangGraph`，可扩展多工具编排。 知识问答：优先 `RAG`，配合向量库与记忆系统。
20710编辑于 2026-04-15腾讯云发布龙虾记忆服务Agent Memory，免费一键开启
今天，腾讯云正式发布“龙虾”记忆服务——TencentDB Agent Memory ，为 OpenClaw补上一层长期记忆能力。 这个由腾讯云数据库团队研发的记忆引擎，从原始对话到用户画像，构建了四层渐进式记忆系统——让你的龙虾从“能干活”，进化为“持续懂你、跨会话不断线”的长期 AI 助理。 //四层记忆系统，较原生OpenClaw准确率提升近6成用过 OpenClaw 的都知道，简单的日常对话上下文跟随毫无压力 。 但一旦面对长周期、跨会话的复杂项目，由于缺乏稳定的长期记忆系统，AI极易出现早期设定被“冲淡”、新开窗口就“失忆”的情况，导致用户常常需要反复重“喂”背景信息 。 Agent Memory 是腾讯云围绕 OpenClaw 构建的Agent Runtime能力体系的重要一环。
3K81编辑于 2026-04-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号