但它也有代价：第一，摘要需要额外模型调用，会增加成本和延迟。 第二，摘要质量会直接影响后续效果。 第三，如果摘要总结错了，后续模型会基于错误记忆继续推理。 第四，摘要经过多轮压缩后，可能出现信息损失和偏差累积。所以滚动摘要最好不要只生成一段自然语言，而要尽量结构化。推荐摘要格式：- 当前任务：- 业务背景：- 用户要求：- 关键约束：- 已确认结论：- 已否定方案：- 当前进度：- 后续待办：这比一段泛泛而谈的总结更适合工程落地。六、短期记忆不只是聊天记录，还包括任务状态很多人理解短期记忆时，只想到多轮对话。但在 Agent 系统里，短期记忆还包括任务状态。比如一个代码生成 Agent，当前任务可能包含：已读取哪些文件已修改哪些文件哪些测试已经运行哪些错误还没解决用户是否确认过某个方案当前执行到了哪个步骤下一步应该执行什么这类状态如果只靠自然语言对话保存，很容易丢。更工程化的做法是把短期记忆拆成几类：例如：{ "task_goal": "设计电商下单链路接口自动化测试方案","business_flow": [ "登录", "商品查询", "加入购物车", "提交订单", "支付回调", "订单状态查询" ],"risk_points": [ "库存不足", "重复下单", "支付回调重复通知", "订单状态流转异常", "优惠券核销失败" ],"confirmed_points": [ "主流程作为 P0 用例优先覆盖", "支付回调必须验证幂等性", "自动化脚本必须考虑测试数据隔离" ],"rejected_points": [ "不要只校验接口返回 200", "不要依赖线上真实支付渠道", "不要把所有场景堆到一个大用例里" ],"next_action": "输出接口自动化测试方案评审稿"}这类结构化状态比自然语言更稳定，也更方便程序读取。所以面试时可以补一句：对复杂任务型 Agent 来说，短期记忆不能只依赖聊天历史，还要有结构化 task state，用来保存当前任务目标、执行进度、工具结果和关键约束。这句话会比单纯讲“最近 N 轮对话”更工程化。
发布于 北京
分享
评论
1
未登录
友善发言
评论
加载中
