13｜记忆沉淀：状态外部化，基于文件系统的持久化记忆与待办管理
Tony Bai
你好，我是 Tony Bai。欢迎来到《从 0 开始构建 Agent Harness》专栏的第十三讲。
在上一讲中，我们通过构建 Context Compactor（上下文压缩器），成功为 go-tiny-claw 装上了一个强健的“内存回收机制”。当大模型阅读了数万行的日志或代码后，引擎能够优雅地将历史观测结果（Observation）进行掩码替换（Masking）或局部截断，从而在保住模型推理意图的同时，避免了 API 的 Token 溢出报错。
但是，解决“内存溢出”只解决了 Agent 的短期存活问题。
当你给 Agent 下达一个宏大的长程任务——比如：“帮我将这个基于 Python 的用户服务重构为 Go 语言，并补充完整的单元测试和 Makefile”时。这个任务可能会跨越几个小时，经历上百个 Turn 的 ReAct 循环。
在这个漫长的过程中，由于我们的 Compactor 会不断地将早期历史压缩（甚至彻底掩码），大模型很快就会产生严重的长程失忆症：
它会忘记自己第一分钟做了什么全局架构规划。
它会忘记还有哪些子模块没有被重构。
最致命的是，如果你的服务器关机了，或者后台进程被 Kill 了，存储在 Go 内存里的 Session 就会瞬间灰飞烟灭，Agent 几天来的心血全部清零！
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《从 0 开始构建 Agent Harness》，新⼈⾸单¥59
《从 0 开始构建 Agent Harness》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论