第 9 课讲了 Agent 的骨架(LLM+工具+循环)。这一页把四块深水区压成速览:12-Factor 工程原则、记忆系统、多智能体编排、上下文工程——每块带上游深读入口。
开源圈的共识:Agent 工程的问题,八成是分布式系统的老问题换了皮肤。12 条原则里,对 SRE 最亲切的五条:
完整 12 条见上游 12-Factor Agents 介绍。
| 层级 | 载体 | 特点 | 代表 |
|---|---|---|---|
| 短期记忆 | 上下文窗口 | 快、贵、会话结束即失 | 对话历史本身 |
| 长期记忆 | 向量库 / 图数据库 | 持久、可检索、要管理生命周期 | Mem0、MemoryOS 分层设计 |
| 经验记忆 | 轨迹库 | 存"过去怎么解决的",RAG 回来复用 | Agent 经验复用类系统 |
🧠 一句话:就是计算机存储层级(寄存器/内存/磁盘)的 Agent 版。上游有 记忆系统架构总览 与 MemoryOS/Mem0 逐个拆解。
经验法则:只是为了"显得智能"而多开,通常不如一个长上下文单 Agent + 好工具。上游有 多智能体理论 与 LangGraph 企业级实战。
写(重要结论落盘到外部)、选(只检索相关片段进窗口)、压(历史摘要压缩)、隔离(子任务各开独立上下文)。
🧠 类比:缓存的写策略 + 淘汰策略 + 分区。
上下文工程的每一个决策,最终都反映为 KV Cache 的命中率和显存账(第 3 课)——Agent 负载正在重塑推理系统设计。
🧠 应用层的一个"要不要压缩历史",就是 Infra 层的一笔 token 账。
Q1 · 12-Factor Agents 的核心立场是?
Q2 · Agent 的"长期记忆"通常存放在?
Q3 · 下列哪种情况最不适合上多智能体?