与智能体协作时，那些有价值的偏好和工作流程往往随着对话结束而消失。LangChain工程师Viv介绍的Deep Agents CLI新功能/remember，通过简单命令就能让智能体记住对话精华，并将其转化为可复用的技能，实现真正的人机协作进化。
智能速览
/remember命令能将对话精华转化为智能体记忆
智能体会自动区分偏好和技能，分别存入不同文件
即使不主动触发，说’以后都这么做’也会被记录
记忆内容在新对话中自动加载，无需重复教学
用户拥有最终控制权，可随时修正记忆内容
精华内容
这个功能的设计思路很巧妙，它没有试图让智能体’自动变聪明’，而是将学习过程拆分为反思、归纳和落实三个明确步骤，让人和智能体共同维护一个可进化的经验库。
核心原理
/remember本质上是一个命令注入机制。当用户触发该命令时，系统会向对话线程注入一个提示，让智能体停下来回顾整个上下文。智能体会分析完整对话，判断哪些信息具有模式特征（如多次强调的偏好），哪些只是一次性需求。这种设计确保了记忆的准确性和实用性，避免了无差别记录造成的噪音。
智能体的判断基于多维度分析：重复出现的内容更可能是长期偏好，经过反复打磨的完整流程则适合转化为技能。这种自动化的分类机制大大降低了用户的认知负担。
存储机制
记忆不再局限于模型内部状态，而是以文件形式持久化存储。个人偏好和原则通常写入agents.md文件，而成体系的工作流程则成为skills目录下的独立技能文件。这种文件化存储带来了透明度和可管理性优势。
用户可以直接查看和编辑这些文件，了解智能体记住了什么。当开启新的对话线程时，这些内容会自动加载为上下文的一部分，让智能体从一开始就了解用户偏好，而不是每次都从零开始学习。
智能识别
最有趣的是，即使不显式使用/remember命令，系统也能智能捕捉学习机会。当用户在对话中明确表达’以后都这么做’或’记住这一点’时，Deep Agent CLI会自动将这些信息识别为需要长期保存的内容。
这种机制让学习自然发生在日常交流中，而不需要额外的操作步骤。系统通过语义理解判断用户的意图，将隐式的教学转化为显式的记忆，极大提升了人机协作的流畅度。
用户控制
虽然系统有自动判断能力，但最终控制权始终掌握在用户手中。如果智能体将某个内容误判为偏好而用户认为应该成为完整技能，用户可以直接指示智能体修改。
这种灵活性确保了记忆系统的准确性。用户可以随时调整分类、合并相关内容或删除过时的信息，让知识库保持最新和最有效的状态。/remember更像是一个基础工具，帮助用户更好地管理对话沉淀，而不是替用户做决定。
这个设计为智能体真正融入长期工作提供了新思路。通过将学习过程分解为可管理的步骤，让经验和偏好得以积累和传承。未来随着更多用户使用，这些可进化的经验库可能会成为人机协作的重要基础设施。
