本文指出 Agent 记忆的核心在于筛选而非存储需区分“聊天记录”与“记忆”。文章将信息分为当前任务、长期事实和历史细节三类并对比了 Claude Code、Codex 和 Hermes 的实战方案指导开发者如何构建合理的记忆系统解决 Agent 忘记上下文的问题。你昨天花了半小时告诉 Agent 项目背景、技术选择和写作要求。今天打开新会话它却像第一次见面又问一遍背景甚至推翻昨天刚定下的方案。这通常不是模型“变笨”了而是系统没有把昨天有用的信息带到今天。如果给 Agent 接一个数据库也解决不了所有问题。系统还得知道哪些内容值得保存、下次怎样找回来、旧信息变了怎么办。Agent 记忆的核心不是保存更多聊天记录而是让重要信息能在合适的时候接着发挥作用。01 为什么 Agent 会忘记模型每次回答都要先收到一份输入。当前问题、对话内容、项目文件和工具结果只有被放进这份输入里模型才能用它们来推理。这份输入就是上下文。模型上下文窗口不断变大但是也有上限更重要的是模型不会自动替你挑出哪些历史应该留下也不会自动保证上次的结论出现在下次对话里。所以要区分两件事聊天记录保存了过去说过什么记忆系统负责挑出以后可能还用得上的内容并在需要时找回来。例如过去一周的所有对话都可以保存下来但下次继续项目时真正有用的可能只有项目目标、最终选定的方案、选择原因和还没解决的问题。02 Agent 应该记住什么不是每句话都值得长期保存。可以先按用途分成三类眼前这项工作当前做到哪一步、下一步做什么。任务结束后通常就不再需要。以后还会用到的事实项目目标、已确认的决策、用户稳定的偏好。适合简洁保存之后按需带入。过去发生过的细节某次讨论的原话、一次操作的过程、当时为什么这么决定。保留在历史记录里需要时再搜索。此外Agent 还可能需要查企业制度、产品文档或实时业务数据。这些内容应从有权限的权威来源读取不能把一次聊天里提到的数字当成永久事实。这里最容易出错的是把“推测”写成“记忆”。用户一次要求回答简短不代表他永远喜欢简短项目预算上个月是多少也不代表今天仍然有效。记忆最好带上来源、时间和适用范围变化后能更新或撤销。03 怎样把过去的信息带到当前任务一个实用的记忆流程可以归纳为三步保存值得复用的信息 ↓当前任务需要时再查找 ↓确认来源和时效后交给模型保存时系统要判断这条信息是临时状态、长期偏好还是项目决策。发现新信息与旧信息冲突时要更新旧记录或注明变更而不是把两条矛盾内容一起塞给模型。查找时也不必每次翻遍全部历史。继续刚才的任务优先看当前进度问“上次为什么选这个方案”再去搜历史讨论核对最新政策则查正式制度库。摘要、关键词搜索、向量搜索和知识图谱都是工具各有适用场景。摘要能缩短历史但会丢细节关键词搜索擅长找专名和精确说法向量搜索能找意思相近的内容却不能保证内容正确或仍有效图结构适合关系复杂的问题也更难维护。系统不需要把这些工具全装上先看任务真正需要什么。04 Claude Code、Codex 和 Hermes 怎么做主流 Agent 系统Claude Code / Codex / Hermes Agent需要处理的其实都是四件不同的事每次都要遵守的规则、今天做到哪了、过去发生过什么、哪些经验以后还能复用。Claude Code 擅长把规则放到合适的项目位置Codex 会进一步整理工作经验Hermes 把常用信息和历史记录分开。Agent首先保证什么细节怎么找主要取舍Claude Code项目规则按作用范围进入上下文也可积累自动记忆会话恢复、压缩摘要与记忆条目各有用途项目约定清楚旧对话的完整细节仍需另行查找Codex项目规则之外把过去任务整理成可复用的记忆从索引进入记忆手册或单次任务摘要能复用工作经验整理会筛选重要结论要保留出处Hermes Agent少量常用信息始终可见历史细节不常驻SQLite 全文搜索会话原文分工清晰关键词搜索对不同措辞不够灵活Claude Code规则写在项目里经验也可以单独积累Claude Code 的基础做法是用CLAUDE.md放规则。用户级文件可以保存跨项目的习惯项目里的文件可以写本项目的代码约定和目录说明放在子目录的文件还能把规则限定在更小的范围。模型开始工作时相关文件会作为上下文提供给它。这里的设计逻辑是规则本身稳定而且适用范围通常能从文件位置判断就直接按层级加载不必每次从整段历史里猜。把规则写在离它适用范围最近的地方也更容易维护。当前任务的过程仍在会话里。会话变长时Claude Code 可以压缩较早的对话保留一份简要回顾和最近内容继续当前工作。Claude Code 并非只有“静态规则文件”也提供 auto-memory用于从工作过程中积累跨会话的记忆条目。它与CLAUDE.md的区别是前者记录逐步形成的经验后者更适合明确、稳定、由人维护的项目规则。2. Codex当前任务之外还会整理可复用的工作经验Codex 同样用AGENTS.md告诉模型项目规则。文件可以按目录逐层生效例如仓库根目录写通用约定某个子目录再补充该模块自己的规则。这样做和 Claude Code 的项目文件相似都是把规则放在离任务最近、方便人检查的位置。Codex 的记忆不只是“记住项目怎么做”还试图从此前的工作中整理出“以后遇到类似任务可以怎样更快、更稳地完成”。它通过一套后台记忆整理流程来实现。先从已结束的工作过程中提取候选内容再把有复用价值的信息整理到本地记忆目录。目录中可以有简短索引、较详细的记忆手册、单次工作的摘要以及可复用的操作流程。新任务先读简短索引发现相关主题后再查详细材料避免每次把全部历史都塞进提示词。3. Hermes Agent常用信息直接带上细节从历史里查Hermes 的记忆系统可以简单理解为少量常用信息每次带上过去的对话按需搜索。它将少量常用信息写入MEMORY.md和USER.md并在新会话开始时放进上下文。前者偏环境和工作知识后者偏用户习惯。由于这些内容每次都要占用上下文设计上鼓励保持精简它们适合存“经常要用”的信息不适合变成所有聊天的摘要合集。旧对话则走另一条路径。Hermes 把会话保存到 SQLiteAgent 需要回忆过去某件事时可以调用session_search做全文关键词搜索再查看命中的原始消息。这解决了“常用信息要随手可见”和“历史细节不该每次都加载”之间的矛盾。05 记忆系统该怎么选如果主要想让 Agent 遵守项目规范先写好项目指令文件。内容短、容易检查也不需要额外搭建检索服务。如果经常要接着上次的任务做优先确认 Agent 能否保存和恢复会话并把任务目标、已完成事项和下一步写清楚。如果常常要问“之前讨论过什么”保留可搜索的历史记录。找回后回看原始上下文避免只根据一条摘要作决定。如果要重复做同类工作把验证过的步骤整理成 Skill、脚本或操作指南并说明它适用于什么情况、哪些情况不要照搬。如果涉及企业数据还要确保不同用户和项目之间的记忆隔离。会变化的政策、金额和客户状态应从正式系统查询记忆不能替代权限控制也不能绕过数据来源。结语让重要的信息在需要时出现Agent 记忆不是把所有对话存起来也不是装一个向量数据库就结束了。它要把当前进度、长期有用的信息和完整历史分开处理眼前的工作方便接着做稳定的约定下次还能用过去的细节需要时搜得到。Claude Code、Codex 和 Hermes 走的是不同路线用项目文件管理规则、把工作经验整理成长期记忆、或将常用信息与历史搜索分开。选哪一种先看 Agent 经常忘掉的究竟是什么再决定把它放在哪里。好的记忆不是让 Agent 什么都记住而是让它在需要时想起真正有用的事。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。