极简Agent实验：AI如何从零自建五层记忆系统

一个近乎"简陋"的Agent起点

这个实验的起点非常朴素：一个新建的空目录、一段简单的Python循环程序，加上一份系统提示词——仅此而已。作者在分享中反复强调，这个初始Agent"low到不能再low"，没有摘要压缩、没有分层存储、没有向量召回，只有一个最原始的滑动窗口机制。

具体来说，这个Agent的上下文被硬性限制为20条历史消息。每次调用大模型，模型可能会触发一个工具（比如读写文件、查目录），工具执行结果追加到历史记录后，触发下一次模型请求。如此循环——一旦历史超过20条，最早的记录直接删除。这就是一个纯粹的先进先出滑动窗口。

这种设计看似残酷：更早的信息如果不主动落盘，就会永久丢失。而正是这个约束，构成了整个实验最核心的挑战——一个记忆极度受限的Agent，能否自我进化出应对长任务的能力？

提示词的"作弊"陷阱

实验的第二个核心组件是系统提示词。作者把提示词单独放在名为Qmind的目录中，内容相当简短：告诉模型"你是大模型，只有一个Bash工具可用，运行在一个简单循环里，工作目录被锁定，每次最多执行一条Bash命令，你只能看到最近的执行历史"。

有趣的是，作者在复盘时坦承提示词里有几句话不该写。比如那句"更早的信息若不写进文件系统就永久遗忘"——这直接向模型暗示了"应该先做文件系统写入"这个解法。

这背后藏着一个值得深思的问题：过度引导可能反而约束了模型的能力。Anthropic在Claude Code的研究中发现，当模型足够强大时，压缩掉高达80%的系统上下文，执行效果却没有下降。这说明早期我们写的大量引导词，对强模型来说反而是枷锁。

激活而非约束

当你在提示词里写"使用文件系统"来保存记忆，你其实堵死了其他可能性。大模型完全可能想到用虚拟内存、数据库或其他方式规避上下文裁剪——但如果你已经给了答案，它就不会再探索了。

做Agent开发的思路，应该从"约束模型"转向"激活模型"。真正有价值的涌现，往往不会在第一轮出现，而是在几十上百次实验后，某一次越过当前认知边界时才显现。

Agent自主进化的完整轨迹

程序启动后进入循环，每20条历史触发一次窗口裁剪。作者在循环中埋了一个日志系统，记录每次调用大模型时的token命中情况，日志每一行对应一次模型调用。

从日志可以清楚看到Agent的行为演化：

• 第一次调用：刚启动，行为很简单
• 第二次调用：触发第一个工具，工具返回后继续
• 第三次调用：开始创建目录（make memory）
• 此后：用echo命令输出认知，写小脚本，逐步搭建自己的记忆系统

当记忆系统搭建完成后，Agent开始了更宏大的动作——自主设计长任务。

从记忆系统到写一本书

Agent给自己设定的长任务，是撰写一本名为《自主Agent的认知架构》的书，共八个章节。它通过状态机逐章推进：写完某个阶段后进入"压缩精华"环节，随后继续丰富自身能力，最终进入"阶段三：记忆固化验证"，完成任务并更新精华内容。

整个过程中，Agent自发实现了一套多层记忆机制：

1. 短期的滑动窗口
2. 落盘的长期记忆
3. 精华压缩层
4. 状态机驱动的任务管理
5. 记忆固化验证

这正是标题所说"五层记忆系统"的由来——而这一切，都从一个空目录和一段简单提示词自主生长出来。

实验带来的三点启示

这个实验最有意思的地方，在于它用最小的初始条件，逼出了Agent的自组织能力。当我们不再手把手告诉模型"应该有context、应该有压缩"，而是给它一个受限环境和一个开放目标，它反而可能探索出超越预设的解法。

对想做企业级AI Agent的开发者，这里有三点值得参考：

1. 上下文限制不是缺陷，而是催化剂：受限环境反而能激发Agent在记忆管理上的创新。
2. 提示词是双刃剑：写得越详细，越可能压缩模型的探索空间。
3. 突破需要大量试验：真正的涌现往往在几十上百次运行后才会出现。

当然，作者也诚实地指出这个版本中的多处"作弊"和bug（包括那句不该加的提示词，以及最后不明原因的退出）。但这恰恰是探索性实验的价值所在——它不追求一次成功，而是在反复试验中不断逼近Agent自主认知的边界。