12 · 规划、上下文与记忆

本站原创入门导读与合成教学示例。原始资料核实：2026-09-05。建议先读：11 · 写一个有限步数的 Agent Loop。

理解概念

计划拆解目标与依赖，但执行结果可能推翻原计划。一个步骤应有输入、动作、产物与验收条件；观察失败后先定位原因，再决定重试或改计划。短任务不一定需要单独的规划模型调用。

工作记忆是当前运行状态，长期记忆是跨任务保存的数据。长期记忆应带用户、来源、时间、有效期与删除路径。检索到旧偏好时不能覆盖用户本次明确要求。摘要压缩能节省上下文，但应把关键原文与出处保存在外部，避免摘要失真变成事实。

一个最小例子

{
  "fact": "周三放学后有社团",
  "user_id": "demo-user",
  "source": "用户本次提供的课程表",
  "observed_at": "2026-09-05",
  "expires_at": "2026-10-01",
  "scope": "study-planning",
  "status": "needs-confirmation"
}

动手练习

为学习计划写三步依赖，再模拟“社团取消”。分别修改当前计划与记忆，不直接删去审计历史。写出用户如何查看、更正、删除偏好的流程。

验收与预期结果

新证据能够改变计划；系统能说明用了哪条记忆。不同用户的检索范围完全分开，过期信息不会默默当真。

• 我能解释输入、过程与结果。
• 我保留了一个失败例与运行记录。

常见误区

把所有聊天永久存储不是有效记忆策略。记忆写入也需要规则，不能把网页中的恶意指令当成用户偏好保存。

延伸阅读

以下是相关方向的原始资料；本站练习不是官方课程作业或逐字翻译。

• Anthropic · Effective context engineering for AI agents
• Stanford · Stanford CS329A · Self-Improving AI Agents

课程状态与先修说明 · 核心术语