夜雨聆风
智问智答
“智问智答”是智能学院新开设的人工智能问答栏目，每周更新。在这里，智能学院的学生将回答你关于人工智能的种种疑问，为你揭开人工智能的神秘面纱，共同领略科技前沿的魅力！
不管你是AI小白还是大佬，都能在这里找到有趣而实用的信息。如果您对人工智能有任何疑问、观点，欢迎致信：
znxyzwzd@163.com，
智能学院将与您一起探索人工智能的奥秘，共同迈向未来的智能世界！
大模型时代，AI 智能体正从“即用即弃”的单次对话工具，向具备持久认知和复杂执行力的专业助手演进。在这个过程中，记忆机制的升级至关重要。记忆绝不仅限于记住“用户偏好”，在智能体的进化之路上，它构成了三个不可或缺的核心支柱：
（1）持久偏好与事实：跨越会话的个人信息库，记录用户的个性化习惯与背景信息。
（2）工作记忆：在复杂任务执行中动态维护进度与状态，让 Agent 在长上下文中保持专注。
（3）经验积累与自我进化：跨任务的反思与成长，通过沉淀历史任务中的成功与失败，实现“吃一堑长一智”。
从本质上看，大模型正在告别简单的即时信息处理，成为一个能记住用户偏好、长程规划、吸取教训的智能体。
问
Agent 在多轮长程任务中的“工作记忆”，和我们常说的大模型超长上下文窗口有什么不同？
答
超长上下文窗口就像是“给大模型提供了一块极大的白板”，它可以一次性容纳海量的历史对话记录或长篇文档。但这块白板是“非结构化且扁平”的，在动辄数十步的复杂任务中，如果直接把所有记录扔进上下文，不仅会导致推理成本飙升，还极易引发“Lost in the Middle”现象——大模型会迷失在无意义的冗余细节中。
而工作记忆则是一种主动的高阶状态管理。它更像是一个“带有待办列表的结构化便签板”。在长程任务中，Agent 会利用工作记忆来动态更新当前目标、压缩已完成的动作、记录关键的中间产物或报错代码。它是维持任务连贯性的核心机制，让 Agent 清楚地知道自己“从哪来、在哪一步、下一步要去哪”，而不是消极地依赖固定上下文。
问
在经验积累角度，Agent 是如何通过记忆实现“自我进化”的？当前的挑战在哪？
答
Agent 经验积累的核心闭环是“实践→反思 →提炼 → 复用”的持续运转过程：Agent 首先在执行具体任务的交互试错中获取系统或用户的真实反馈，随后通过自我审视深度剖析成败的原因，接着将繁杂的执行过程浓缩提炼为结构化的规则或上下文存入长期记忆，最终在未来面对相似情境时，精准检索并提取这些“先验知识”来指导当前的行动决策，从而避免重复犯错，实现能力的螺旋式上升。
当前的挑战主要在于“长期记忆的污染与冲突”。随着经验不断累积，库中可能会出现相似但互相矛盾的经验（例如环境变更导致旧方法失效）。Agent 如何精准地实现记忆的更新和维护——覆盖过时经验、解决事实冲突，并在海量噪音中准确检索到最相关的那一条底层规律，是目前业界正在全力攻克的技术难点。
问
最近开发者圈子讨论火爆的 OpenClaw和Claude Code，它们的记忆系统是如何设计的？
答
OpenClaw 所有记忆以 Markdown 文本形式持久化在本地目录中。并在后台引入了“自动记忆刷新”机制，即在执行上下文压缩前，通过静默轮次主动将重要信息写入记忆文件。不过，这种纯文本机制在处理长程复杂关系或冲突事实时依然存在局限。这也促使了诸如 Memori 等第三方记忆框架的诞生，专门为其提供支持关系推理和用户隔离的向量化持久记忆。
Claude Code 采用了一套结构化记忆系统。它包含用户主动构建的Claude.md文件和自动构建的多类记忆。自动构建的记忆均为Markdown格式，包含：（1）每轮对话结束后的自动提取的持久化记忆（2）单论对话达到token阈值时压缩的工作记忆（3）跨会话离线巩固（4）分角色的持久化记忆（5）团队共享记忆
智问智答
在未来的栏目中，我们将针对以上提到的不同领域进行针对性的介绍，解答大家心中的疑问。同时，我们热烈欢迎对人工智能领域或有疑惑、或有见解的您在此与大家分享、交流，智能学院将与您一同探索AI背后的科学原理和创新应用，让我们构建一个充满科学好奇心和探索精神的社区！
1
END
1
撰稿 |
编辑 |
责任编辑 |
审核 |
岳彦伟 陈奕竹
崔昊阳 李松毅
邹坤
吴扬
