Agent 不需要记忆,需要的是文档
Agents don't need memory, they need documentation

市面上的记忆插件大多依赖 RAG 技术,将对话切片存入向量数据库,试图通过相似度搜索来“回忆”过去。但这就像在海量碎片中抽奖,不仅丢失了上下文,还无法应对代码库的快速变化。作者指出,人类处理知识靠的是记录而非回放,Agent 也是如此。与其让 Agent 在模糊的向量中搜索,不如为它构建一个结构化的 Markdown 知识库。通过引入 Operator Memory,将工作流从“提示-构建-遗忘”转变为“提示-咨询-构建-更新”,让 Agent 拥有可审计、可协作的“大脑”,这才是解决上下文丢失的正确方案。
因为 Agent 不需要记忆,它们需要的是文档。
HN 评论区
210- ContinuityLab
对智能体架构的一种令人耳目一新的视角。将关注点从臃肿的上下文记忆转移到结构化、可验证的文档和状态边界上,正是系统层面应有的权衡。
- Garlef
我认为它们甚至更需要确定性的反馈:
我最近尝试了一种基于以下思路的方法,效果惊人——Lint 规则,其中错误信息包含了解决该问题的说明。
比如,我正用它来推广 IOSP(集成操作分离原则)。
- spike021
我认为无论采用哪种方式,都必须有手段强制执行写下的内容。
如果我说“用 jq 而不是写 Python 脚本来解析 JSON”,它就不应该再写临时的 Python 脚本来解析 JSON。可这种事却经常发生在我身上。
- bushido
我最近开始做的一件事是写下原则,而不是记忆。
本质上是智能体必须始终遵循的思维模式。我还为这些原则实现了一个版本控制系统,任何代码注释中引用原则时都需要注明版本。这样,当我的原则演进时,代码也随之演进。
我将其打包成可以分享给朋友的形式 [0]。系统仍在演进,但过去两个月多的使用体验对我帮助极大,配合最新的模型效果甚至更好。
智能体对这种技术的遵循程度出乎意料地好。
- gregwebs
同意,而且这似乎更好。
不过我的一贯想法是,不希望存在仅由智能体专用的文档。
我使用 mattpocock/skills,它会生成 ADR(架构决策记录)。这仅使用 skills,包括一个 setup skill,它会在 AGENTS.md 中写入一些指引。我始终保留 CONTRIBUTING.md 来记录开发流程,以及 CODING_STANDARDS.md。结合这些文档、README.md、架构文档和提交信息,智能体似乎能够找到并使用文档,并保持其更新。我们还在编写大量规范,并将它们放入 Github issues 中。