第 3 课约 13 分钟

Agent 记忆系统 + 多智能体协作

理解三类记忆及工程实现、掌握摘要记忆模式、了解多 Agent 协作四种模式与主流框架对比（AutoGen/CrewAI/LangGraph）。

AgentMemory多智能体AutoGenCrewAILangGraph
进度保存在本机浏览器；验收通过后再点更稳妥

第16课：Agent 记忆系统 + 多智能体协作

本节目标：理解三类记忆（工作/短期/长期）及工程实现、掌握摘要记忆模式、了解多 Agent 协作四种模式与主流框架对比。

上篇的 Agent 每次对话都是"失忆"的。这一课给它装上记忆系统，再让它学会和别的 Agent 协作。

1. 三类记忆

code
Working Memory   (工作记忆) ← 当前对话上下文（Prompt 里的消息）
Short-term Memory(短期记忆) ← 本次会话历史（滑窗/摘要）
Long-term Memory (长期记忆) ← 跨会话的持久知识（向量化）

2. 短期记忆的三种实现

① 滑窗记忆

java
ChatMemory memory = MessageWindowChatMemory.withMaxMessages(20);
// 永远保留最近 20 条

问题：早期信息丢失。

② Token 限制记忆

java
ChatMemory memory = TokenWindowChatMemory.builder()
    .maxTokens(4000, tokenizer)
    .build();

优势：精确控制成本，但同样丢早期信息。

③ 摘要记忆（推荐 ）

code
触发条件：消息超过 N 条或 token 超过阈值
动作：
  1. 取最早的 K 条
  2. LLM 生成摘要："用户问了 X，助手回答了 Y"
  3. 用摘要替换原消息
  4. 摘要 + 最近消息 = 新的 context
java
public class SummaryChatMemory implements ChatMemory {
    private List<ChatMessage> messages = new ArrayList<>();
    private String summary = "";

    public void add(ChatMessage msg) {
        messages.add(msg);
        if (countTokens(messages) > THRESHOLD) {
            // 前一半消息做摘要
            List<ChatMessage> toSummarize = messages.subList(0, messages.size()/2);
            summary = llm.summarize(summary, toSummarize);
            messages = new ArrayList<>(messages.subList(messages.size()/2, messages.size()));
        }
    }

    public List<ChatMessage> messages() {
        List<ChatMessage> result = new ArrayList<>();
        if (!summary.isEmpty()) {
            result.add(SystemMessage.from("之前对话摘要：" + summary));
        }
        result.addAll(messages);
        return result;
    }
}

3. 长期记忆：向量化用户事实

Code
用户对话历史
  → LLM 提取关键事实："用户偏好疏肝解郁的方剂"
  → 向量化存入数据库
  → 新对话 → 检索相关事实 → 注入 system prompt

这和 ChatGPT 的 Memory 功能是一模一样的原理。

java
public void extractAndStore(Long userId, List<ChatMessage> conversation) {
    String facts = llm.generate("""
        从以下对话中提取关于用户的关键事实（偏好、症状等），每条一行：
        %s
        """.formatted(format(conversation)));

    for (String fact : facts.split("\n")) {
        float[] embedding = embedding.embed(fact);
        memoryRepo.save(userId, fact, embedding);
    }
}

记忆设计的反模式

Code
把所有历史无脑塞 context  → token 爆炸
完全靠摘要 → 细节丢失
长期记忆不更新 → 用户信息过时

正确做法：
  - 工作记忆：滑窗 + 摘要混合
  - 长期记忆：向量化 + 时间衰减 + 定期归并

4. 多智能体协作

为什么需要多 Agent？

单 Agent 局限：一个 LLM 既思考又决策又执行，能力天花板低。多 Agent 优势：专业分工、并行执行、互相纠错、可扩展。

四种协作模式

Code
模式 1：层级式（Hierarchical）
       Manager Agent
      /      |      \
   Worker  Worker  Worker
  → 适用：复杂任务编排

模式 2：流水线式（Sequential）
  Agent A → Agent B → Agent C → Output
  → 适用：步骤明确的流程

模式 3：辩论式（Debate）
  Agent A 提出 → Agent B 反驳 → Agent A 修正 → Judge 裁决
  → 适用：需要严谨推理

模式 4：群体讨论式（Group Chat）
  [Manager] 问题 → [Expert A] 我认为... → [Critic] 你们有漏洞...
  → 适用：开放式问题

主流框架对比

框架出品方抽象难度推荐度
AutoGen微软对话驱动中推荐
CrewAI社区角色+任务低推荐
LangGraphLangChain图编排高推荐
MetaGPT社区SOP+角色中推荐
SwarmOpenAI函数移交极低推荐

选型建议

Code
原型/业务 → CrewAI（5分钟上手）
复杂研究 → AutoGen（灵活强大）
生产工作流 → LangGraph（最可控）
教学/轻量 → Swarm

5. Agent 设计八大原则

  1. 单一职责——每个 Agent/Tool 只做一件事
  2. 最小工具集——工具越多选错率越高
  3. 明确终止条件——max_iterations + 退出逻辑
  4. 错误优雅降级——工具失败告诉 LLM 原因
  5. 可观测性优先——每一步都要有日志
  6. 成本意识——简单问题别上 Agent，分层路由
  7. 安全边界——危险操作必须 HITL 人工确认
  8. 评估驱动——先有评估集再优化

核心要点

  1. 三类记忆：工作（滑窗）→ 短期（摘要）→ 长期（向量化）
  2. 摘要记忆是性价比之王：兼顾完整性和成本
  3. 多 Agent 协作四模式：层级/流水线/辩论/群体讨论
  4. 框架选型：原型用 CrewAI，生产用 LangGraph
  5. 八大设计原则——特别是"最小工具集"和"可观测性优先"

下一课：GraphRAG —— 知识图谱增强 RAG。

返回路线目录