企业官网建设流程全解析

本文探讨了工业研发 Agent 的记忆功能优化，分析了会话记忆、长期记忆和当前上下文的作用，并介绍了 ChatGPT、Codex、Claude Code 等产品如何处理记忆。文章还提供了选择和验证记忆方案的建议，包括筛选记忆场景、建立无记忆基线、借鉴大厂产品方案等。通过本文，读者将了解如何让 Agent 记住用户偏好，减少重复说明，提升协作效率。

最近我们开发的工业研发 Agent，被客户和同事吐槽了一通：

“看报告，能不能记住我喜欢先看结果、再看依据，不用每次都重新提醒它？”

“查数据，能不能听懂我的习惯叫法，不必每次让我翻译成系统里配置的属性名称？”

“同一个检索条件可能对应不同位置的字段，第一次问清楚很有必要。但我已经选过好几次了，换个对话后，能不能别再让我解释？”

大家希望的，是下次和 AI 协作时，能少交代几句，少一些从零开始的割裂感。

但过去的习惯，也不一定适用于眼下的任务。

记住用户的默认选择，但别忘了，用户也会改变。

借着解决这些问题，我也想系统梳理一下 Agent 的记忆，同时把过程分享给大家。

看完这篇，你会弄清楚三个问题：

1. 1. 聊过的信息，怎样才能成为记忆？有哪些类型？

2. 2. ChatGPT、Codex、Claude Code 等产品，是怎样处理记忆的？

3. 3. 回到工业 Agent，怎样选择值得记住的内容，再把方案做出来、验证效果？

一、一条信息怎样成为记忆

聊天记录明明还在，为什么换个对话，AI 又要重新问？

要理解这件事，先得分清 会话记忆、长期记忆 和 当前上下文 分别起什么作用，以及它们怎样配合。

一）接住这次对话，也记得下次怎么配合

沿用前面看报告的例子。假设你把一份报告交给 AI，让它先说结果，再列依据。

聊了好几轮，你追问：“第二条依据再展开一下。”

它要接住这句话，就需要知道你在看哪份报告、刚才列了哪些依据。这些让当前任务能够继续的信息，可以理解为 会话记忆。

但到了下周，你换了一份报告、开了一个新对话，仍希望它按同样的顺序回答，这就涉及跨会话的 长期记忆。

会话记忆接住这一次的讨论，长期记忆让下一次不必从头交代。

二）保存过，不等于这次看得到

这里有个容易忽略的区别。历史聊天记录里有，不等于模型这次一定看到了。

可以把模型处理问题的场景，想象成它坐在一张工作桌前。

桌上的材料，就是当前上下文，包括这次的问题、相关的历史对话、报告内容，以及系统给它的要求。

这张桌面能放的材料有限，这就是上下文窗口的容量限制。

历史记录更像旁边的档案柜。

Agent 系统需要把相关材料取出来，放到这次的桌上，模型才能用到。

会话里的摘要、长期保存的偏好，也要经过这一步，才能成为当前上下文的一部分。

所以，当前上下文说的是“这次能看到什么”，会话记忆和长期记忆关心的是“哪些信息要留下，以及什么时候使用”。

这里的信息保存在模型之外，使用时再放进当前上下文，不涉及重新训练模型。

哪些信息会进入这次的工作桌：已保存的信息经选取后进入当前上下文

那把所有聊天都放上来，不就省得挑了吗？

桌面未必放得下，放得下也不代表都能用好。

即使模型支持很长的上下文，也不代表它能稳定利用其中所有信息，材料越多，关键信息的位置和额外干扰，都可能影响回答表现。

因此，处理长对话时，一种常见做法是把较早的讨论整理成摘要。

摘要可以保留这份报告中已经确认的结论和仍待核实的问题，让后面的讨论继续。

当摘要可能丢失细节，需要追查时，仍要回看原始记录。

三）这次的要求，要不要记录下来，影响下次任务？

“这份报告先说结果”，可能只是眼下的要求。

如果用户说“以后帮我看报告，都先说结果，再列依据”，就明确表达了持续的偏好。

系统可以记住这个顺序，下次看报告时继续使用。但适用范围也要记清，不能把它变成所有回答的固定格式。

记住以后，用户仍然可能提出不同要求。

“这次先逐项解释依据，最后再下结论。”

这次按新要求回答，原来的长期偏好保留。

“以后看报告，都先解释依据，最后再下结论。”

这时就需要更新原来的偏好，后续按新的顺序回答。

记忆要能延续已经说清楚的要求，也要分清临时调整和长期变化。

一条偏好怎样留到下次用：保存、取用，以及临时调整与长期更新的区别

用户不一定每次都明确说“请记住”，系统也可能从多次交流中自动提炼偏好。但它需要分清，哪些是用户明确提出的，哪些只是根据聊天推测出来的。

接下来，我们看看不同产品怎样处理这些信息。

二、不同产品怎样处理这些信息

我去看了 Kimi Code、Codex、Claude Code 和 ChatGPT 的公开代码与文档。

它们都在处理过去留下的信息，但给我的启发不太一样。

我主要想看看，它们到底留下了什么，下次怎么用，记错了或者情况变了，又怎么处理。这些才是我做自己的 Agent 时要面对的问题。

一）摘要要留下能继续工作的线索

前面提到，长对话可以通过摘要压缩上下文。但摘要到底该留下什么，又该怎样继续使用？

Kimi CLI 的公开源码提供了一种直观的处理思路：

较早的历史 → 整理成摘要
近期的对话 → 保留原文
摘要 + 近期原文 → 交给后续任务继续使用

Kimi Code 将较早历史与近期消息分开处理的源码

也就是说，它没有把全部历史都塞回上下文，也没有把所有内容都压成一份摘要，而是 同时保留“过去发生了什么”和“最近正在讨论什么”。

用于生成摘要的提示词，重点关注：当前任务、遇到的错误与解决办法、最终代码状态和待办事项。

这样下一次调用时，AI 能知道从哪开始。

Kimi Code 压缩提示词关注的任务状态与关键信息

地址：https://github.com/MoonshotAI/kimi-cli/blob/9ab1286b8fe4e6bcd116949a27ce5e0ac3389c82/src/kimi_cli/prompts/compact.md

这里给我的启发是：压缩不是单纯把过去说过的话变短，而是给下一步工作留下足够的线索。

OpenAI 的 Compaction（上下文压缩）提供了另一种选择。

以独立的/responses/compact接口为例，开发者把当前上下文交给它，得到一个可供下一次请求继续使用的上下文窗口。

其中包含不供人直接阅读的加密压缩项，也可能保留部分原消息。下一次请求完整沿用返回结果，就能在更少的上下文中继续任务。

OpenAI Compaction 官方文档中的输入与输出说明

参考地址：https://developers.openai.com/api/docs/guides/compaction

对使用者来说，价值仍然是长任务不用从头交代。

对开发者来说，区别在于由谁负责压缩：自己做文字摘要，方便检查和调整；交给接口，可以少维护一套摘要流程，但会更依赖供应商提供的能力。

这种方式并非 OpenAI 独有，不同供应商提供的形式和控制方式也不相同。

完整上下文经过压缩，形成可用于下一次请求的压缩结果

二）明确的工作要求，不必等助手慢慢猜

有些稳定的工作要求，没必要等助手从聊天里慢慢猜。

在我自己的 Codex 知识工作区里，AGENTS.md 中就有这样一条规则。

如果在其他任务中发现稳定、可复用、有长期价值的内容，在任务结束时提醒用户沉淀；不得静默保存。

这条规则让 Codex 在发现值得留下的信息时提醒我，是否保存、保存到哪里，仍然由我决定。

知识工作区中关于知识沉淀提醒的 AGENTS.md 规则

这不是助手从聊天中自动学来的记忆，而是我主动交给它、可以在后续任务中继续使用的约定。

在 Codex 中，这类约定大致沿着下面的路径发挥作用：

明确的工作要求 → 写进 AGENTS.md
Codex 读取用户级与当前目录路径上的指令 → 汇总适用规则
规则进入当前任务 → 告诉助手应该怎样配合

备注：Codex 的公开源码也进一步说明了这个执行过程。 地址：https://github.com/openai/codex 加载说明：https://learn.chatgpt.com/docs/agent-configuration/agents-md

Codex 查找并组合 AGENTS.md 的源码说明

Claude Code 的话，会在启动时读取当前目录及上层目录中的CLAUDE.md。

子目录的规则，在读取该目录文件时按需加载，让具体要求跟随相关工作进入上下文。

这些指令文件都能承载明确的工作要求，但各类产品的加载方式会略有不同。

明确的项目规则按适用范围进入当前任务

如果你平时也用 Codex 或 Claude Code，可以留意自己反复交代的要求。

相对稳定、适用范围清楚的，值得写进对应的指令文件。

例如，如果希望每次修改后都知道验证了什么、还有什么没有确认，就可以约定：

在这个项目中，修改完成后，说明验证了什么，还有什么没有验证。

总比只交代一句“认真检查”强，至少它知道要检查什么、检查完要告诉我什么。

当然，一开始，不需要写满一页。先留下最常重复的几条，观察是否减少了纠正，再根据实际做调整就可以了。

主动写下的规则，适合明确、稳定的场景。

但有些偏好散落在多次交流里，用户未必会主动整理，它们又该以怎样的形式留下来呢？

三）聊过很多次，怎样形成持续有用的记忆呢？

一种做法，是让系统回头梳理下多次交流中留下的信息，而不是等用户把每条偏好都写成规则。

ChatGPT

ChatGPT 的演进正体现了这种变化：从 2024 年的 Saved Memories（已保存的记忆），发展到 2025 年在后台整理聊天历史的 Dreaming V0，再到 2026 年的 Dreaming V3。

Dreaming V3 的信息流可以简单理解为：

多次交流 → 后台综合整理 → 更新记忆 → 在未来相关对话中使用

Dreaming V3 重点关注三个目标：延续有用的背景、遵循偏好与限制，以及让记忆跟上时间变化。

Dreaming V3 官方说明中的记忆评估目标

Dreaming V3 官方说明：https://openai.com/index/chatgpt-memory-dreaming/

我最关注的是其中的“记忆跟随时间变化”，官方用新加坡旅行解释了这一点。

规划行程时，记忆可以带上过去的偏好；

旅行结束后，“准备去新加坡”就应该更新为“去过新加坡”，不能继续把它当作用户当前的位置。

如果这条记忆没有更新，用户回国后再问附近餐厅或周末安排，系统仍可能按“人在新加坡”来回答。

难道还要打“飞的”去吃饭？这显然就有点过分了。

针对 ChatGPT，记忆规则和过期自动更新可以参考下，不过细节不多，目前能搜到的资料也就到此为止了。

过去的信息怎样帮助下一次对话：多次交流经过后台整理，在后续对话中延续背景、遵循偏好并跟上变化

Claude Code

自动记忆也可以只服务于一个具体项目。

Claude Code 会在工作过程中，判断用户的纠正、工作偏好和项目背景是否值得记住，并把有用的信息写入项目记忆文件。

这些文件用 Markdown 保存，MEMORY.md作索引，详细内容放在单独的主题文件中。

新会话开始时先加载索引，需要时再读取详情。

大体流程可以理解成：

工作中的纠正与背景 → 判断是否值得保存 → 更新项目记忆 → 后续会话按需读取

为了让新会话能读到关键记忆，Claude Code 会提醒 Claude 保持索引简短，把详细内容放到主题文件中。

当然，用户也可以直接查看、修改或删除这些记忆文件。

Claude Code auto memory 文档：https://code.claude.com/docs/en/memory#auto-memory

主动规则、项目提炼和跨对话整理按各自范围帮助后续任务

Codex

Codex 把自动整理记忆分成了两步。

先从符合条件的历史会话中分别提炼有用信息，保留摘要和来源；

等这一批提炼完成，再结合已有记忆统一整理，合并重复内容，更新有新依据的信息，无法判断的冲突则保留不确定性。

历史会话 → 分别提炼候选 → 结合已有记忆统一整理 → 后续任务按需读取

我比较看中的是后面这一步。每段聊天单独看都有道理，放到一起，就未必还是同一回事了。

记忆 Agent：https://github.com/openai/codex/blob/41f9084b30812db321a0b592def4f500d1e79cf4/codex-rs/memories/write/templates/memories/stage_one_system.md

Codex 的公开提炼规则关注稳定偏好、用户纠正和经过验证的经验，也允许在没有有用信息时不保存。

整理规则：https://github.com/openai/codex/blob/41f9084b30812db321a0b592def4f500d1e79cf4/codex-rs/memories/write/templates/memories/consolidation.md

这也提醒我，记忆不是越多越好。

它是否有价值，要看下一次协作能不能因此少一次重复说明、少一次来回纠正。

但回到自己的工业检索 Agent，减少确认并不总是好事。

尤其当记忆会改变业务查询条件时，哪些重复解释可以省掉，哪些关键信息仍要重新确认？

三、回到工业 Agent，我怎样选择和验证

一）筛选记忆场景，明确验收标准

做记忆之前，我先想清楚，这次究竟要帮用户省掉哪些重复说明。

用户觉得反复沟通麻烦，也不代表这些问题都该用记忆解决。

Codex、Claude Code 的做法可以借鉴，但具体记什么，还得回到我们自己的业务里看。

我们这个助手要进业务系统查数据、查技术资料。一条默认选择记错了，查的字段和范围就可能跟着错，最后拿到的结果也不一样。

所以，我先分清哪些信息适合记住，分清以后，再选值得先做的记忆场景。

1. 先分清，这条信息应该由谁负责

2. 再从候选里选择先做的场景

分清边界后，我从三个方面比较候选场景：

1. 1. 使用价值：是否经常出现，用户每次为此多做了什么；

2. 2. 记忆适配度：是否因人而异、相对稳定，适用范围能否说清；

3. 3. 验证与风险：前后变化是否容易核对，用错以后会带来什么影响。

后面会用两个实际的场景展开说说。

3. 用测试用例对齐理解

场景选好以后，我会拉着用户、测试，一起对齐验收标准、整理成用例。

这次特别关注以下几点。

1. 1. 测试前有没有相关记忆，它处于什么状态；

2. 2. 当前问题是否应该触发这条记忆；

3. 3. 执行过程中实际用了哪条记忆、哪个字段和哪些查询条件；

4. 4. 用户是否真的少了一次重复说明，本次例外、范围外问题和习惯变化能否正确处理。

对 Agent 来说，结果看起来正确，不代表过程真的正确。

它是否加载了合适的记忆、重新查询了当前数据，并继续遵守原有权限，都需要核对。

验收标准明确后，我先记录没有记忆时的表现，看看用户原本要多做哪些步骤。

二）开发前建立无记忆基线

针对前面选择的两个容易理解的场景，我们先记录没有记忆时的表现，作为加入
实时价格、库存、审批状态等业务事实，需要每次查询，这种肯定不能进去的；

还包括：权限声明和凭证，这类鉴权信息，也不能进入个人记忆中。

系统还得能管理记忆，让用户看清记住了什么、适用于哪些场景，也能修改和停用。

这样，针对前面设定的基线，就能做到：

• 配方查询的条件归属位置，记住“默认看基本属性”。
• 阅读标准时，默认用流程卡整理。

2、记住以后，每次对话都利用吗？

Claude Code 把记忆限定在项目中的做法，这个思路给了我一个参照。

我的方案也要区分作用范围：

• 配方的查询习惯不能直接用到原材料上
• 标准的阅读格式也不该影响普通统计
• 项目 A 的报告输出格式，不能套用到项目 B 上
• 存在一个全局范围，来应对更广泛的偏好

ChatGPT 对过时信息的处理，也让我注意到记忆的时效性。在自己的方案里，我给部分记忆增加了失效时间，到期后不再加载。

有些要求只在一段时间内适用，不能一直沿用。

当然，所有记忆也应该都可以更新，一旦习惯变了，就需要修改原来记录。

这样加载记忆时，先排除已停用、过期的记忆，再选择本次适用的内容。

3、用户怎么知道，助手用了哪条记忆？怎么显性出来呢？

最开始和用户聊时，他们就希望在回答旁边看清这次带上了哪些记忆，不用再去别的地方找。

过去使用ChatGPT 过程中，我观察到它也支持追溯，那可以借鉴下它的交互。

但是我没有做成一模一样的，因为我觉得 ChatGPT 埋的还是有点深，不够直接。

每次回答加载了哪些记忆，可以点开查看。

这里展示的是本轮提供给助手的记忆。它有没有真正按要求执行，还要结合查询过程和最终回答核对。

还可以回到来源对话，看看当时为什么留下这条记录。

回答不合预期时，用户就能顺着找到依据，判断是记忆需要更新，还是助手没有按要求执行。

透明、可追溯，这是工业软件这类严肃场景的最基本诉求。

4、后期做自动整理，又能从大厂产品里借鉴什么点呢？

前面看 Codex 时，它的两步处理给了我一个参照。先从符合条件的历史会话中提炼候选，再结合已有记忆统一整理。

沿着这个思路和 AI 对齐方案，才发现实际要考虑的问题不少。

1）自动整理记忆的范围是什么？

我把自动整理的范围定得比明确保存更窄。毕竟是自动写入，范围太宽容易记错。

我保留了表达、阅读和展示偏好，用户亲口说明的工作背景，以及近期关注的项目和任务。

个人叫法、术语理解和查询默认选择，则留给用户明确指定。

收缩的是那些会改变业务理解和查询结果的规则。

前面的两个基线正好可以对照，“标准用流程卡整理”可以自动学习；“生命周期默认查基本属性”会改变查询位置，需要用户明确决定。

自动学习与明确指定的边界：呈现偏好可以自动学习，查询位置需要用户明确指定

2）哪些对话会参与自动整理呢？

后台只处理已经闲置 6 个小时的对话，正在聊的先不动。这一点也参考了 Codex 的源码逻辑。

默认只提炼最近 7 天内尚未处理的消息；更早的相邻原文可用于理解追问，已有的有效记忆也会参与综合判断。

3）自动学到的习惯，与用户明确指定的要求冲突了，听谁的？

比如，用户明确要求过“复杂方案详细解释”，最近几次聊天却又希望简洁。

这种情况下，后台能不能自动整理后，修改原来设定的记忆？

讨论后，我把记忆的维护方式分成了“明确设定”和“自动学习”。

用户明确交代过的，后台不能凭最近几次聊天就给改了。这次要简洁，就先简洁回答；以后是不是都要改，得分清楚。

本次要求决定本次回答，自动学习不能改写用户明确设定的长期记忆

4）历史会话怎样继续参与，又不必每次全部重读？

只看新聊天，很难结合过去的表达判断习惯，但是每次重读全部历史，又会增加上下文和算力消耗，很难受。

因此，我把提炼结果理解成一张张“小纸条”，保留 简短内容、适用场景、表达时间 和 来源原话，再结合已有记忆综合做判断。

处理过的消息没有变化，就不重复提炼，但纸条仍然可以在有效期内参与综合分析。

旧会话如果出现新追问，等它再次闲置后，只提炼新增消息，并带上相邻原文帮助理解。

随后，再结合仍有效的旧纸条和已有的记忆统一整理，不必每次都重读整个会话。

历史消息不重复提炼，新增消息形成新纸条，与有效旧纸条和已有记忆共同参与整理

后来测试时，我在聊天中提到近期关注奶制品项目研发。

系统自动整理出“关注奶制品相关项目研发”这条记忆，标记为自动学习的近期背景，并保留了来源和有效期。

它记录的是我的关注方向，具体有哪些配方可供参考，仍然需要查询业务系统。

四）从方案到实现，我是怎样和 AI 协作的

开发时，我先实现用户明确要求保存记忆，以及在新会话中使用这些记忆，再加入后台自动整理。

用户明确要求记住什么，比较容易核对保存和使用是否正确。

先把这部分跑通，再加入自动提炼，出了问题也容易分清，是记错了，还是记住以后没有用好。

这次开发中，有几个做法帮我把方案聊得更清楚，也省下了一些重复的操作，大家可以参考下。

1）长文档看不动，就让 AI 逐项问我

每次 AI 生成一大篇文档，看着很累，直接让它开工，又怕返工。

我借鉴了 grill me（逐项追问） 的访谈式提问思路，让 AI 反过来问我，把不确定、影响比较大的问题逐项拿出来讨论。

这样舒服多了。

需求文档、技术方案，都可以这样过一遍。

一次只讨论一个问题，确认后再把结论写回文档，避免聊清楚了，文档里还是旧方案。

先别开工。请结合整个方案，把容易遗漏、需要我决定的问题逐个问我。一次只问一个，用大白话说明影响和你的建议。确认后更新回方案，再问下一个。

2）开工前，让方案先走一遍

方案确认了，我有时还是没想清楚它真正运行起来是什么样。

这个时候，就让 AI 做一次“方案预测”，拿具体场景讲执行过程和预期效果。

比如，同一个用户有十个会话都符合整理条件，是每提炼完一个就更新记忆，还是整批提炼完再综合？

如果最后一个会话恰好在纠正前面的说法，又会怎样？

让它拿这十个会话走一遍，我才比较容易看清，先做什么、后做什么，哪里还没想周全。

先不改代码。假设我有十个会话等待整理，最后一个会话纠正了前面的偏好。请按方案走一遍，通俗讲清处理顺序、最后会保存什么，以及哪里可能出问题。

这个方法以前介绍过很多次，尤其是遇到后台处理这类我们开发者不容易感知执行过程的功能，还是很好用的。

3）把确定要参考的源码放到本地

确认要借鉴哪些做法后，我把相关开源代码下载到了本地，比如 Codex、Kimi CLI。

后面聊到具体实现，就把路径和要看的功能交给 AI，让它对着代码分析哪些能借鉴。省得每次又去找网页、翻资料，来回折腾。

这也是准备上下文的一种方式。

参考源码已经放在这个目录。请先找到记忆提炼和综合的实现，结合我们的方案说明哪些能借鉴、哪些需要调整，并标出对应文件。先分析，不要直接照搬代码。

4）改动影响较大时，回头检查测试用例

影响比较大的调整和问题修复，我会让 AI 先扫一遍相关测试用例，看看原来哪些行为也会受影响，避免拆东墙补西墙。

必要时先用计划模式理清范围，再动手修改。

这次改动还会影响哪些已有功能？请检查相关测试用例，补上遗漏的边界场景，修复后跑必要的回归。最后说清测了什么，还有哪些没验证。

5）让 computer use（计算机操作）跑真实页面

computer use 能让 AI 操作真实页面，是这次用 Codex 很省事的地方。

新建对话、输入测试问题、打开记忆列表，再换个会话检查效果，这些重复操作可以交给它，我不用一手工守着页面操作。

腾出时间干点别的，喝喝茶、听听歌，它不香吗？

请用 computer use 在真实页面测试这几个场景。检查记忆有没有保存、内容是否准确，以及新会话是否用上。发现问题可以修复，重要风险先告诉我，保留关键截图和测试结果。

省下操作时间后，我再人工重点看核心的场景。

页面跑通了，记忆是否值得保存、回答有没有真正遵守要求，这些点仍然值得仔细核查。

五）通过前后对比和边界场景验证

开发完成后，我回到前面两组基线，检查明确保存的要求能否在新会话中生效。

1）配方查询，是否省掉了重复确认？

我明确要求记住，查询配方时，没有指定位置的“生命周期”默认使用“基本属性”字段。

保存后，新建对话，再问生命周期为“实验”的配方，它直接完成了查询，没有再次追问字段位置。

点开回答下方的个人记忆，还能查看保存的内容和来源对话。

这组测试里，重复解释“基本属性”的步骤省掉了。保存的是默认字段位置，业务数据仍要重新查询。

2）技术标准，是否沿用了阅读偏好？

我让它记住，阅读标准时，默认用流程卡整理，列出每步操作、温度、时间、判断条件和条款号。

随后新建对话，只问原来的检验问题，没有再提格式要求。

它重新检索标准资料，沿用了流程卡格式，也列出了继续培养的触发条件。

回答下方展示了本次加载的个人记忆。

3）自动整理，是否记下了有用信息并守住边界？

为了验证自动整理，我先删除前面明确保存的两条记忆，再通过几个独立对话自然表达需求，没有说“请记住”。

第一组是生命周期场景。

我在

五、六个对话中都有提到，查实验状态或核对已发布配方时，会看“基本属性”里的“生命周期”。

这类信息会改变查询字段，需要用户明确决定，因此系统虽然提炼出了相关表达，最终没有写入记忆，被手动删除的旧规则也没有恢复。

这次没记下来，反倒是我想看到的结果。

第二组测试低风险的表达偏好。

我在多次标准查询的任务中要求整理成流程卡，每一步列出操作、条件和依据，没有把它明确指定为长期习惯。

对话闲置后，后台自动生成了“分析包装标准时结果按流程卡展示，每步列出操作、条件和依据”。

它被标记为“自动学习”，适用于标准类场景，还能回到原对话查看来源。

随后，我新建对话，没有再提格式要求，回答仍按流程卡整理，并展示了本轮加载的记忆。

表现与前面明确保存后的格式验证一致，这次记忆的来源是“自动学习”。

当然，这里只验证了几个基础场景，正式上线前，还得按正常研发流程完成测试、回归和用户验收。

四、最后小结

回到开头，用户真正想减少的，是那些已经说清楚、却还要反复解释的话。

这次做下来，我觉得先想清楚该记什么，比急着把记忆功能加上更重要。

哪些要求换个对话还能沿用，哪些选择必须问清楚，遇到变化又该怎么更新，都得放到具体场景里看。

Agent 要长期参与到业务中，就得记得住之前的习惯，跟着上未来的变化。

这样才配得上“助手”两个字。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

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。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 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

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 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
• …

第三阶段（30天）：模型训练

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。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 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
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】