LangSmith Agent Builder 的记忆系统设计独到，它专为任务型智能体打造，通过将记忆抽象为文件，让智能体能像操作文件系统一样学习和迭代。这种方式不仅简化了构建流程，更让智能体在与用户的交互中持续自我完善，解决了专用智能体需要反复学习同一问题的痛点。
智能速览
优先为专用任务型智能体构建记忆，避免跨会话重复学习。
将记忆系统抽象为文件，利用大语言模型处理文件系统的优势。
通过 Postgres 数据库模拟虚拟文件系统，兼顾效率与灵活性。
智能体可在运行时自我编辑记忆文件，实现迭代式学习。
构建过程中发现，提示词工程是核心挑战而非代码实现。
基于文件的记忆格式具备高可移植性，便于迁移到其他框架。
精华内容
深入探究其技术细节，这个记忆系统并非依赖复杂架构，而是巧妙地利用了文件系统这一基础概念，并辅以精妙的提示词工程，最终实现了智能体的自主进化。
为何优先记忆
与通用型 AI 智能体不同，LangSmith Agent Builder 专注于构建执行特定任务的专用智能体。这类智能体在每次会话中处理高度相似的工作，因此从一次交互中获得的经验对下一次至关重要。如果没有记忆，用户将不得不在每个新会话中重复提供相同的背景信息和偏好，导致体验极其割裂和低效。优先构建记忆系统，正是为了解决这一核心痛点，确保智能体能够持续学习和优化。
文件化记忆
该记忆系统的核心创新在于将记忆表示为一组文件，如 AGENTS.md（核心指令）、tools.json（工具配置）和 agent skills（任务技能）。这一设计巧妙地利用了大语言模型对文件系统操作的天然熟悉度。尽管对智能体呈现为文件系统，但底层存储实际上采用了 Postgres 数据库，以实现更高的效率和可维护性。这种虚拟文件系统由 DeepAgents 框架支持，并可插拔地替换为其他存储后端。这套设计对应了 COALA 论文中的程序性记忆和语义记忆。
记忆的迭代
记忆文件并非一次性编写完成，而是在与用户的交互中动态演进的。以一个会议纪要智能体为例，初始时它可能只会生成段落式摘要。当用户提出“改用项目符号”的反馈后，智能体会自动编辑其 AGENTS.md 文件，记录下这一格式偏好。在后续的会话中，它会自动应用此规则，并根据新的反馈继续添加、修改规则，例如“在末尾单独提取行动项”。整个过程在“热路径”中完成，用户无需手动配置，智能体便通过持续的修正自我完善。
核心挑战
在构建过程中，团队发现最大的挑战并非代码实现，而是提示词工程。几乎所有表现不佳的情况，最终都通过优化提示词得到解决。为此，团队投入了大量人力专职负责此项工作。另一个挑战是智能体不擅长归纳，它倾向于记住具体案例而非抽象规则。为此，系统增加了显式的文件验证步骤，并提供人机协同的更新机制以防止提示词注入攻击，同时也保留了“yolo模式”供高级用户使用。
LangSmith Agent Builder 的记忆系统设计，通过将复杂问题简化为熟悉的文件操作，极大地降低了构建和迭代专用智能体的门槛。这种以记忆为核心的迭代构建方式，预示着 AI 开发可能正从一次性编码转向持续对话和优化。未来若能实现情景记忆和组织级记忆，其潜力将进一步释放。
