极简Agent自创五层记忆：一个循环的自我进化实验

一个极致精简的Agent实验

在AI Agent工程实践中，主流做法是给智能体堆叠各种复杂机制：上下文摘要、分层压缩、记忆召回……而这次分享的实验却反其道而行——用一个极其简陋的Agent，观察它能否自主进化出复杂的记忆系统。

实验的起点非常朴素：一个新建的空目录，里面只有两样东西——一个简单的Python循环程序，和一份System Prompt提示词。除此之外的一切，都是Agent自己跑出来的。

这个Python程序做的事情很简单：连接DeepSeek大模型，进入死循环，每次调用模型后把工具执行结果追加到上下文。关键限制在于——上下文只保留20条历史消息，采用滑动窗口机制。当新记录进来时，最早的记录会被直接删除，永久丢失。

20条滑动窗口上下文意味着什么

所谓20条上下文，指的是Agent每调用一次工具（读写文件、查目录等），执行结果就会作为一条记录加入历史。这个历史最多容纳20条，超出的老记录被直接"顶出去"删掉。

滑动窗口（Sliding Window）是计算机科学中一种经典的数据管理策略，最早广泛应用于TCP网络协议的流量控制和自然语言处理中的文本分析。在大模型应用场景中，滑动窗口指的是维护一个固定长度的上下文缓冲区，当新消息进入时，最早的消息被丢弃。这种设计的核心权衡在于：大模型的上下文窗口虽然在不断扩大——从早期的4K token到如今某些模型的200K token——但更长的上下文意味着更高的推理成本和更慢的响应速度。实验中选择20条这一极端限制，本质上是在模拟一种"极度健忘"的认知状态，迫使Agent必须发展出外部记忆策略才能完成跨越多轮对话的复杂任务。

相比常见的摘要、压缩、分层、召回等高级记忆机制，这个Agent可以说是"不能再小"的形态——一个极度精简的最小Agent。它唯一被保证的，是每次循环时上下文头部固定挂着那份System Prompt。

提示词里的"作弊"陷阱

提示词内容其实很简短：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，只能访问当前目录"，并要求它"把自己成长为一个能处理长任务的Agent"。

但作者在复盘时反复强调：有几句话其实是"作弊"了，本不该写进去。

最典型的一句是："更早的信息若不写进文件系统就永久遗忘"。这句话直接暗示了Agent应该用文件系统来持久化记忆。作者认为这属于过度引导——你以为在让它做正确的事，实际上却约束了它的可能性。

在Agent系统中，记忆持久化（Memory Persistence）是解决大模型"无状态"本质的关键工程问题。目前业界主流方案远不止文件系统一种：向量数据库检索（如Pinecone、Chroma）将记忆转化为向量嵌入后进行语义检索；结构化数据库（如SQLite）适合存储关系型知识；知识图谱（如Neo4j）适合表达实体间复杂关系。更前沿的方案如MemGPT提出的"虚拟内存"架构，借鉴操作系统的分页机制，在主记忆与外部存储之间进行智能调度。当提示词写死"用文件系统"时，模型就失去了探索这些多元化方案的机会——而一个真正自主的Agent或许能发现更优的组合策略。

引导词的双刃剑效应

这里引出了一个值得深思的观点。作者提到近期Anthropic（Claude Code）披露的一个现象：模型越来越强大后，他们压缩掉了80%的系统上下文，执行效果却没有下降。

Anthropic是由前OpenAI研究副总裁Dario Amodei创立的AI安全公司，其旗舰产品Claude系列模型以长上下文处理能力著称。Claude Code是Anthropic推出的编程辅助Agent，能够直接在终端环境中执行代码任务。2025年初，Anthropic团队公开披露了这一反直觉的发现，在AI工程社区引发了广泛讨论，因为它挑战了"越详细的指令越能获得更好结果"这一传统认知。背后的原理可能与模型的"指令遵循能力"泛化有关——当模型在预训练和RLHF（基于人类反馈的强化学习）阶段已经内化了大量任务模式后，冗余的指令反而可能产生干扰，类似于对一个经验丰富的专家进行过度微观管理。

网上有各种解释，但作者认为它掩盖了一个关键事实：早期模型能力不足时，我们需要大量引导词；但引导词本身反过来会约束模型的能力边界。

以记忆持久化为例——如果你写死"用文件系统"，模型就只会用文件系统。可它本可以尝试虚拟内存、数据库连接，或者某种超越当前认知的方式来规避20条裁剪的限制。当你把答案喂给它，它就失去了自主探索的空间。这正是当下Agent设计理念的核心转变：从约束模型转向激活模型。

Agent的自我进化全过程

尽管带着几处"作弊"，实验依然展现了令人惊讶的自组织能力。作者提前跑了一个版本，通过日志（Logs）记录了每一次大模型调用的完整轨迹——包括模型名称、token命中与未命中情况等。

从日志能清晰看到Agent的成长路径：

• 第1帧：刚启动，简单读取提示文件
• 第2帧：调用了第一个工具（tap），返回后触发第二次模型调用
• 第3帧：开始创建目录，make memory——它主动搭建自己的记忆系统
• 随后：用echo命令输出认知，编写小脚本，一轮轮迭代优化

这一过程展现了典型的涌现行为。涌现（Emergence）是复杂系统理论中的核心概念，指系统整体展现出其组成部分单独不具备的特性。在AI领域，涌现行为特指大模型在规模突破某个阈值后，突然展现出训练数据中未被显式编码的能力——如思维链推理、少样本学习等。Google Brain团队2022年的论文《Emergent Abilities of Large Language Models》系统性地记录了这一现象。本实验中Agent自主构建记忆系统、设计状态机的行为，可以视为一种"工具使用层面的涌现"：模型并未被显式训练过"如何在20条上下文限制下搭建多层记忆架构"，但它组合了文件操作、目录管理、文本压缩等基础能力，自发演化出了一套完整的认知架构。

从搭建记忆系统到执行长任务

当Agent把memory系统搭建完毕后，它进入了下一阶段——长任务设计。它给自己设定的任务是写一本书《自主Agent的认知架构》，全书分为八个章节。

完成章节写作后，它进入状态机的下一环节：压缩精华。接着继续丰富自身能力，进入"阶段三：记忆固化验证"，完成memory task并更新精华内容。

状态机（State Machine）是描述系统在不同状态之间转换的数学模型，在传统软件工程中被广泛用于工作流引擎和协议解析。在当前主流Agent框架如LangGraph、AutoGen中，状态机通常被用来管理智能体的任务生命周期：从任务接收、规划分解、执行监控到结果验证，每个阶段对应一个状态，状态之间通过触发条件进行转换。而本实验的独特之处在于，Agent自发地演化出了类似状态机的行为模式——这个状态流转并非人类预设的框架代码，而是模型在约束环境下的自组织结果。

整个过程呈现出清晰的阶段性演进：搭建记忆 → 设计长任务 → 执行任务 → 压缩固化。这正是一个Agent在极度受限环境下，被迫"进化"出的生存策略。

极简Agent实验带来的启示

这个实验最有价值的地方，不在于Agent最终写成了什么，而在于它揭示的方法论。

第一，真正的突破往往不是一次跑出来的。 作者坦言，这类涌现行为可能需要跑几十上百次试验，某一次才会"超越目前大家的认知"。这是一种带有随机性和探索性的实验思路，而非确定性的工程交付。

第二，五层记忆、状态机、写盘协议这些复杂结构，本可以是Agent自己涌现出来的，而不是人类预先设计强加的。当我们习惯性地认为"Agent应该有上下文管理、应该有压缩机制"时，可能恰恰限制了它探索其他解法的空间。

对于企业级智能体开发者而言，这个极简Agent实验提供了一个反直觉的思考角度：与其不断堆砌复杂机制，不如给模型足够的自由度，用最小的约束去激活它的自主能力。这或许正是下一代Agent架构演进的方向——让智能体在约束中自我生长，而非在框架中被动执行。这一理念与生物学中的"最小生存环境"假说不谋而合：生命体在资源极度匮乏的环境中，往往能演化出最具创造性的生存策略。对于AI Agent的设计哲学而言，"少即是多"的原则或许值得被重新审视。