smolagents 的记忆管理机制是如何工作的？

1. 进程内记忆架构

smolagents 的记忆通过 AgentMemory 对象管理，以 Python 列表形式保存完整的步骤历史。每次模型推理、工具执行或规划事件都会向列表中追加对应的步骤对象，完整的步骤序列在每次模型调用前被序列化为聊天消息，使大语言模型感知到持续的对话上下文。

2. 记忆的生命周期

当前版本（v1.26.0）的记忆仅存在于进程内存中，不具备以下能力：

• 内置的磁盘序列化或外部存储后端（如 Redis、SQL、mem0）
• 跨进程重启的持久化
• 长期用户画像或跨会话记忆

社区已多次请求持久化功能，但目前仍作为开放特性请求跟踪。

3. 记忆的访问与使用

开发者可以直接访问和检查 Agent 的记忆：

result = agent.run("你的任务")
for step in agent.memory.steps:
    print(step.step_number, step.tool_calls or step.code_action)

AgentMemory 支持 succinct_steps() 方法，可在规划更新时提供精简的历史上下文，避免上下文窗口溢出。此外，记忆结构适合导出到 Langfuse、OpenTelemetry 等可观测性平台进行日志记录和分析。