手搓 Agent 第四篇:上下文预算、三段压缩与记忆文件怎么设计

掘金《手搓 Agent》系列第 4 篇(发布于 2026 年 11 月 19 日)把 Agent 的“记性”拆成两件事:一次运行内控制上下文长度,跨运行用一个文件存记忆。值得关注的是,作者明确否定了“模型自带记忆开关”这种常见误解。

一句话看懂:掘金《手搓 Agent》系列第 4 篇(发布于 2026 年 11 月 19 日)把 Agent 的“记性”拆成两件事:一次运行内控制上下文长度,跨运行用一个文件存记忆。值得关注的是,作者明确否定了“模型自带记忆开关”这种常见误解。

事件核心:发生了什么

这一篇是系列 10 篇中的第 4 篇,作者把演示程序“小记”升级到 v0.4,给出可运行的代码思路,核心有三点。

第一,上下文窗口有上限,但作者指出“不等装满就出问题”:内容越多,模型越容易漏掉夹在中间的信息,这一现象被称为上下文腐化。因此要设定一个低于模型上限的预算,比如示例中的 600 字符,超过就处理。

第二,轨迹过长有三条出路:裁剪(工具少返回、旧结果省略)、压缩(把较早轨迹换成摘要)、外置(内容写进文件只留指路)。压缩至少保留四类信息:用户要求、已做之事、结论、未完成事项;但会多一次大模型调用、丢细节,并使前缀缓存失效,所以要攒到预算再一次压完。

第三,跨会话记忆就是一个 memory.md:模型通过 remember 工具写入,下次启动时把文件内容接在系统提示词之后读回上下文。示例中压缩发生在新问题进入之前,避免拆开一次工具调用和它的结果。

为什么重要

很多 AI 应用把“记忆”当成模型能力,实际它全部来自上下文工程,而上下文长度直接关系到推理成本、回答准确率和请求是否会报错。目前公开信息显示,这篇是系列教程性质的经验分享,并非新产品或论文,但它总结的“预算—压缩—外置—文件记忆”路径,是当前 Agent 开发中较通用的工程做法,对自建 Agent 的团队有直接参考价值。

对用户/开发者/创作者的影响

对开发者,真正要落地的是策略选择:读笔记、搜索类工具应限制返回量并留“可再读”退路;压缩要避开每轮小幅改动,否则缓存反复失效、成本上升;记忆工具的描述要写清“什么该记”,模型是否调用取决于这句话。对创作者和普通用户,可感知的变化是长对话不再“聊到一半忘事”,但摘要没写进去的细节确实会丢,重要结论应让 Agent 落到文件里。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是该系列后续 6 篇是否覆盖记忆检索、多 Agent 协作等更复杂场景;二是文中“600 字符预算”仅为演示值,作者自己说明实际要按模型窗口大小设定,读者不宜照搬;三是记忆文件“整读整放”的笨办法在条目变多后如何优化,是这套方案最直接的瓶颈。

来源:juejin

celebrityanime
celebrityanime
文章: 36533

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注