Coding Agent for Research

主题

AI 含量说明

本文由 AI (Claude) 辅助生成，内容经过人工审核与编辑。部分描述可能存在简化表述，请读者结合实际使用体验参考。

Agent 的记忆系统 ​

本文概览

  • 🎯 目标读者: 了解 Agent 基础概念、希望深入理解记忆机制的读者
  • ⏱️ 阅读时间: 约 12 分钟
  • 📚 知识要点: 记忆三层架构、上下文窗口限制、MemGPT 虚拟记忆、RAG 检索增强、学术场景应用
  • 📌 前置阅读: LLM Agent 简介

一个真实的困境 ​

你正在用 AI 助手做一项文献综述。前三天一切顺利——它记得你的研究主题是"多模态学习在医学影像中的应用"，知道你已经筛选了 47 篇论文，甚至记得你偏好 2022 年以后的研究。

第四天，你打开新对话，发现它什么都不记得了。你不得不重新解释一遍研究背景、筛选标准、已有进展……

这不是 AI 的"健忘"——这是 记忆系统设计 的问题。理解 Agent 如何管理记忆，才能让 AI 在长期科研任务中持续发挥作用。

为什么 Agent 需要记忆？ ​

在 上一篇文章 中，我们讲了 Agent 的核心循环：感知 → 推理 → 行动。但有一个问题被简化了：Agent 在推理时，依据的是什么信息？

答案是 上下文（Context）——也就是模型在推理时能"看到"的全部信息。没有足够的上下文，再聪明的大脑也做不出好的决策。

但问题来了：LLM 的上下文窗口是有限的。

模型上下文窗口大约相当于
GPT-5.2400K tokens~1000 页文档
Claude Opus 4.6200K tokens（Beta 1M）~500 页（Beta ~2500 页）
Gemini 3 Pro1M tokens~2500 页文档

看起来不小？但实际研究中，当你处理几十篇论文、数千行代码、多轮对话历史时，上下文窗口很快就会被填满。而且窗口越大，模型的"注意力"就越分散——塞进去 500 页文档，模型反而可能忽略其中的关键信息。

类比理解

上下文窗口就像你的书桌面积。桌子再大，堆满了文件时你也很难找到需要的那一页。好的记忆系统不是"把所有东西都堆在桌上"，而是把最需要的东西放在手边，其余的放在书架上，需要时再取。

这就是 Agent 记忆系统要解决的核心问题：如何在有限的上下文窗口中，管理无限增长的信息？

记忆的三层架构 ​

借鉴认知科学对人类记忆的分类，我们可以将 Agent 的记忆分为三层：

第一层：工作记忆——"桌面上正在看的" ​

工作记忆就是当前上下文窗口中的内容。容量有限但读写快，是 Agent 推理决策的直接依据。

工作记忆中通常包含：

  • 系统提示词（System Prompt）：定义 Agent 的角色和行为规则
  • 当前对话上下文：最近几轮的用户输入和 Agent 回复
  • 工具调用结果：最近一次搜索、代码执行等操作的返回值
  • 任务状态：当前进行到哪一步、还剩什么要做

工作记忆的关键挑战是信息淘汰：当上下文窗口快要满时，哪些信息该保留，哪些该丢弃？

第二层：短期记忆——"今天的笔记本" ​

短期记忆存储当前会话的完整信息，但不是全部塞进上下文窗口。常见的管理策略：

滑动窗口（Sliding Window）：只保留最近 N 轮对话，早期对话被丢弃。简单但粗暴——你可能丢掉第一轮对话中的关键约束条件。

摘要压缩（Summary Compaction）：定期将长对话压缩为简短摘要。例如将 20 轮对话压缩为一段 200 字的要点。保留了关键信息，但压缩本身会损失细节。

结构化笔记（Structured Notes）：Agent 在工作过程中主动记录关键信息，形成结构化的"工作笔记"。这是 Anthropic 推荐的方法，Claude Code 就采用了类似策略。

Anthropic 的"结构化笔记"方法

Anthropic 在 Building Effective Agents 中建议 Agent 维护一份结构化的"暂存空间（scratchpad）"，在每次行动后更新关键发现和待办事项。这让 Agent 即使在长任务中也能保持对全局的把握。

第三层：长期记忆——"书架上的档案" ​

长期记忆存储跨会话的持久化信息，让 Agent 在不同对话之间保持连贯。常见实现方式：

方式原理优势适用场景
向量数据库将文本转为向量嵌入，通过相似度检索语义搜索、大规模知识论文库、知识库
文件系统 ⭐将记忆写入文件（Markdown、JSON 等）可读性强、易编辑项目笔记、偏好配置
关系数据库结构化存储事实和关系精确查询、关系推理实体关系、实验记录
知识图谱以图结构存储实体和关系多跳推理、关联发现文献网络、概念地图

笔者经验

文件系统是笔者最常用的跨会话信息持久化方式。在复杂模型设计方案的落地、实验分析方案的实现等场景中，我会让 Agent 将关键决策、设计思路和阶段性结论写入 Markdown 文件。下次开启新会话时，Agent 读取这些文件即可快速恢复上下文，无需重新解释整个项目背景。这种方式简单、透明，且人类可以随时审阅和修改 Agent 的"记忆"。

MemGPT：像操作系统一样管理记忆 ​

📖 选读内容（点击展开）

本节介绍 MemGPT 的虚拟内存管理思想，对理解记忆架构设计有帮助，但不影响后续阅读。如果你主要关注实践应用，可以跳过。

2023 年，UC Berkeley 的研究团队提出了 MemGPT（现已更名为 Letta），是 Agent 记忆管理的代表性方案。

MemGPT 的思路是：把 LLM 的上下文窗口类比为操作系统的内存，用虚拟内存的思想来管理它。

就像操作系统在内存不够时把数据换到磁盘一样，MemGPT 让 Agent 能够：

  1. 自主决定 什么信息该留在主上下文中
  2. 主动存档暂时不需要的信息到外部存储
  3. 按需检索之前存档的信息回到工作区

这些操作由 Agent 自己发起，而不是由程序硬编码的规则控制。Agent 自己来决定记忆的管理。

对比传统方法

传统方法（如滑动窗口）是"被动遗忘"——信息按时间顺序被丢弃，不管重不重要。MemGPT 则让 Agent 自己判断哪些信息该保留、哪些该存档，是一种主动管理的方式。

RAG：从外部知识库"回忆" ​

📖 选读内容（点击展开）

本节介绍 RAG 的原理与 Agentic RAG 的演进。如果你已经熟悉 RAG，可以跳过直接阅读后面的实际案例。

RAG (Retrieval-Augmented Generation，检索增强生成) 是目前用得最多的长期记忆实现方案。思路很直接：

不要把所有知识都塞进上下文窗口，而是在需要时检索相关信息。

RAG 的工作流程：

  1. 索引阶段：将文档切分为片段，转为向量嵌入，存入向量数据库
  2. 检索阶段：用户提问时，将问题转为向量，搜索最相似的文档片段
  3. 生成阶段：将检索到的片段注入上下文，让 LLM 基于这些信息生成回答

从记忆的角度看，RAG 本质上就是长期记忆的检索机制。向量数据库是"书架"，嵌入向量是"书签"，检索过程是"翻找档案"。

Agent + RAG = 主动检索 ​

在传统 RAG 中，检索通常由用户的提问触发。但在 Agent 架构中，Agent 可以主动决定何时检索：

  • 发现知识缺口时自动搜索
  • 在规划阶段检索相关案例
  • 在验证阶段检索事实数据

这种"Agent 驱动的 RAG"（Agentic RAG）比传统 RAG 更灵活，因为 Agent 可以：

  • 多次迭代检索，逐步缩小范围
  • 根据中间结果调整检索策略
  • 综合多个来源的信息做出判断

实际案例：Claude Code 的记忆策略 ​

📖 选读内容（点击展开）

本节以 Claude Code 为例剖析真实产品中的记忆策略实现，适合对 Coding Agent 内部机制感兴趣的读者。

Claude Code 是目前比较成熟的 Coding Agent，它的记忆管理设计可以作为参考：

CLAUDE.md：项目级长期记忆 ​

Claude Code 使用 CLAUDE.md 文件作为项目级别的持久化记忆。每次启动时自动加载，包含：

  • 项目的技术栈和架构信息
  • 编码规范和风格偏好
  • 常用命令和工作流程
  • 已知问题和注意事项

这本质上是一种文件系统实现的长期记忆——简单、透明、可人工编辑。

上下文压缩：对抗遗忘 ​

当对话变长、上下文窗口接近上限时，Claude Code 会触发上下文压缩（Compaction）：将之前的长对话自动总结为精炼的要点，释放上下文空间给新的任务。

这相当于"把桌上堆积的笔记整理成一页摘要"，保留了关键信息，同时为新工作腾出空间。

子 Agent 架构：分布式记忆 ​

面对复杂任务，Claude Code 可以将工作分配给子 Agent。每个子 Agent 有自己独立的上下文窗口，相当于分布式记忆——每个"助手"记住自己负责的那部分信息，最后汇总结果给主 Agent。

在学术研究中，记忆能帮你什么？ ​

了解了 Agent 的记忆机制后，来看看它在学术场景中的具体用法：

1. 文献综述的跨会话连续性 ​

通过长期记忆（如 CLAUDE.md 或向量数据库），Agent 可以跨多次对话记住：

  • 你的研究主题和筛选标准
  • 已经读过的论文列表和关键发现
  • 待深入分析的论文队列

2. 实验记录的自动追踪 ​

Agent 的结构化笔记能力可以自动记录：

  • 每次实验的参数配置
  • 运行结果和性能指标
  • 失败案例和调试过程

3. 代码项目的上下文理解 ​

在 Coding Agent 场景下，项目级记忆让 Agent 能够：

  • 记住项目的整体架构和技术栈
  • 了解编码规范和命名约定
  • 追踪已修复的 Bug 和待办事项

4. 多轮研究对话的连贯性 ​

通过短期记忆管理，Agent 在同一次长对话中能够：

  • 记住前面讨论过的思路和结论
  • 保持对复杂推理链条的跟踪
  • 在切换话题后还能回到之前的讨论

总结 ​

三个要点带走：

  1. Agent 的记忆分三层：工作记忆（上下文窗口）、短期记忆（会话内）、长期记忆（跨会话），各层通过压缩和检索相互连接
  2. 核心挑战是"有限窗口 vs 无限信息"——好的记忆系统不是记住所有东西，而是在需要的时候提供对的信息
  3. RAG 是目前最实用的长期记忆方案——通过向量检索让 Agent 按需"回忆"；MemGPT 的虚拟记忆思路则尝试让 Agent 自主管理记忆

参考资料 ​

基于 VitePress 构建 | 内容采用 CC BY-NC-SA 4.0 许可

Copyright © 2025-present