一个 Agent 有没有记忆，很大程度上决定了它只是用完即弃的工具，还是能越用越懂你的搭档。没有记忆的 Agent，每次会话都从零开始，你得反复交代项目背景、代码风格、踩过的坑；有记忆的 Agent，能跨会话保留对你的项目和偏好的理解，把重复的沟通成本压缩到接近零。

记忆对 Agent 意味着什么

记忆对 Agent 的作用，具体说有四方面：

• 跨会话连续性：上次改到哪、为什么这么改、还有哪些待办，下次接着干而不是重新摸索
• 个性化适配：记住你的技术栈、沟通风格、代码偏好，不用每次重申
• 避免重复探索：项目结构、构建命令、常见坑已经记下，不用每次重新读一遍代码库
• 长程任务状态保持：跨多次会话推进的大任务，进度不会丢

从认知科学的角度，Lilian Weng 在 2023 年的综述 《LLM Powered Autonomous Agents》 里把人类记忆分为三层，并给出了到 LLM Agent 的映射：

感官记忆对应原始输入的嵌入表示，短期/工作记忆对应 LLM 的上下文窗口——受限于 Transformer 的有限上下文长度，长期记忆则对应外部存储，靠检索来访问。长期记忆又细分为三种：情景记忆记具体经历，语义记忆记事实和概念，程序记忆记技能和流程。

这套分类不只是学术上的类比。Park 等人在 2023 年的 Generative Agents 论文（就是那个 25 个虚拟角色在沙盒里生活的实验）里，把记忆做成了一个可运行的系统：用自然语言记录 agent 的完整经历（memory stream），按相关性、近期性、重要性三个维度检索（retrieval），再把记忆合成为更高层的反思（reflection）来指导后续行为。这套 memory stream + retrieval + reflection 的框架，到现在仍被广泛引用。

主流 Agent 怎么做记忆

下面挑几个有代表性的编程 Agent，看它们各自的记忆系统是怎么落地的。虽然底层的 LLM 能力在趋同，但记忆系统的设计差异很大，这也成了产品间的分水岭。

Claude Code 的记忆系统

Claude Code 的记忆系统是两套互补的机制：CLAUDE.md（用户写的指令）和 auto memory（Claude 自己写的记忆）。

CLAUDE.md 采用分层加载，从广到细依次是组织级（Managed Policy）、用户级（~/.claude/CLAUDE.md）、项目级（./CLAUDE.md，入版本控制团队共享）、本地级（./CLAUDE.local.md，gitignore 个人特定）。加载时从工作目录向上遍历目录树，发现的所有 CLAUDE.md 和 CLAUDE.local.md 全部拼接进上下文——不是覆盖，而是叠加，越靠近工作目录的越后读。

子目录里的 CLAUDE.md 是按需加载的，Claude 读取该子目录的文件时才会把对应的 CLAUDE.md 纳入上下文。另外.claude/rules/*.md支持pathsfrontmatter，可以做 path-scoped 的按需加载——只有匹配的文件被操作时才激活那条规则。

auto memory 是 Claude 自己维护的记忆，存在~/.claude/projects/<project>/memory/，包含一个 MEMORY.md 索引和若干主题文件。它按 git 仓库派生路径，同一个 repo 的所有 worktree 共享，但机器本地不跨机。启动时加载前 200 行或 25KB（取小），超出部分按需读取。这是目前主流编程 Agent 里最成熟的"模型自动维护记忆"机制。

上下文快满时，/compact命令用结构化摘要替换对话历史，保留用户意图、关键技术概念、查看和修改的文件、错误及修复、待办事项，丢弃逐字对话、完整工具输出和中间推理。压缩后，项目根的 CLAUDE.md 会重新注入，但子目录嵌套的 CLAUDE.md 不会自动重注入——下次读那个目录的文件时才重新加载。

子代理（subagent）是 Claude Code 上下文管理的另一招。每个子代理有独立的上下文窗口和 system prompt，主会话的 auto memory 不会传入。子代理只把最终文本摘要返回主上下文，它读取的大量文件不占主上下文。Explore 子代理甚至跳过 CLAUDE.md 和 git status，用更便宜的 Haiku 模型做只读探索，把扫描成本隔离在外面。

需要留意一点：CLAUDE.md 是 context，不是 enforced configuration。它靠模型"读到了、记住了"来影响行为，不是硬性阻断。要硬性阻断某个操作，得用 PreToolUse hook。

OpenCode：AGENTS.md 与兼容回退

OpenCode 用 AGENTS.md 作为主记忆文件，/init命令扫描仓库并生成或更新它，建议提交到 Git。加载时本地文件（从工作目录向上遍历 AGENTS.md 和 CLAUDE.md）优先于全局~/.config/opencode/AGENTS.md，每类首个匹配胜出。

OpenCode 有个很实际的设计：Claude Code 兼容回退。项目里没有 AGENTS.md 时回退读 CLAUDE.md，全局没有 AGENTS.md 时回退读~/.claude/CLAUDE.md，甚至~/.claude/skills/也能用。对从 Claude Code 迁移过来的用户，记忆文件不用重写。

上下文压缩通过compaction配置控制：auto（默认开启）在上下文满时自动压缩，prune移除旧的工具输出省 token，reserved留出压缩时的 token 缓冲避免溢出。压缩由一个内置的 compaction agent 负责把长上下文压成摘要。会话层面，OpenCode 用 snapshot 系统跟踪文件变更（内部是个 git 仓库），支持/undo/redo回滚。

Codex 与 AGENTS.md 规范：跨工具的通用记忆

AGENTS.md 规范 本身值得单独说。它由 OpenAI Codex、Amp、Google Jules、Cursor、Factory 协作制定，现在由 Linux Foundation 下的 Agentic AI Foundation 托管，是一个跨工具的通用记忆文件标准。

加载规则很简单：放仓库根目录，大型 monorepo 用嵌套 AGENTS.md（子项目各放一个），agent 自动读目录树中最近的 AGENTS.md，最近的优先。冲突时，最近的 AGENTS.md 胜出，用户聊天时的提示覆盖一切。文件是纯 Markdown，无必填字段。

Codex、Cursor、Windsurf、Gemini CLI、Cline、OpenCode、Aider 等都支持这个规范。这意味着你写一份 AGENTS.md，换个工具也能用——记忆不再绑死在某个 Agent 上。

Cline：条件规则与检查点

Cline 的规则系统支持多来源：自己的.clinerules/、自动检测的.cursorrules和.windsurfrules、以及 AGENTS.md。工作区规则和全局规则合并，工作区优先。

最有特色的是 conditional rules：规则的 YAML frontmatter 里写paths字段（glob 模式），只有当前上下文匹配那些路径时才激活——匹配依据包括消息里提到的路径、打开的 tab、可见文件、编辑过的文件。这和 Claude Code 的.claude/rules/paths 思路一致，都是按需加载、避免 token 浪费。

上下文管理上，Cline 有 Auto Compact：接近窗口限制时自动生成结构化摘要，保留技术细节、代码变更和决策，替换对话历史。它利用已有的 prompt cache，成本约等于一次普通工具调用。压缩后可以用 checkpoints 回滚到摘要前的状态，不是不可逆的。子代理方面，Cline 的 subagent 是并行只读研究代理，独立上下文窗口和 token budget，只配只读工具，不能编辑文件、用浏览器或访问 MCP，返回聚焦报告给主代理。

Aider：repo map，结构化检索式记忆

Aider 走了一条不太一样的路。它有 CONVENTIONS.md 做文件式记忆（/read标记只读，启用 prompt caching 时会被缓存），也能通过.aider.conf.yml接入 AGENTS.md。但真正有特色的是 repo map。

repo map 用 tree-sitter 解析整个 git 仓库，生成一份简洁的符号地图——最重要的类、函数及其类型和调用签名。然后用图排序算法（每个源文件是节点，依赖关系是边，类似 PageRank）选取最相关的部分纳入上下文。token budget 是动态的，默认 1k tokens，当没有文件加入聊天时会自动扩大，帮 Aider 理解全局结构。

说白了，这是"结构化检索式记忆"，不是向量检索，也不是文件式记忆。它不存偏好和规则，存的是代码库的骨架。在这次调研的几个 Agent 里，Aider 是唯一用这种方式做记忆的。

MiMo Code：在 OpenCode 上把记忆做成核心

MiMo Code 是小米开源的编程 Agent（github.com/XiaomiMiMo/MiMo-Code，MIT 协议，约 11k stars），明确是 OpenCode 的 fork。它保留了 OpenCode 的全部核心能力（多 provider、TUI、LSP、MCP、插件），在此基础上把记忆系统做成了重点增强方向。

它的持久记忆用 SQLite FTS5 全文搜索驱动，包含四类文件：

• MEMORY.md：项目知识、规则、架构决策
• checkpoint.md：由 checkpoint-writer 子代理自动维护的状态快照
• notes.md：临时笔记区
• tasks//progress.md：逐任务的进度日志

会话恢复时这些记忆自动注入，不用重新教 agent 项目背景。

最有意思的是它的"上下文重建"机制。上下文逼近上限时，不是简单压缩，而是从最新 checkpoint、项目记忆、任务进度和保留的近期消息重建上下文，按 token 预算和重要性排序控制注入量。agent 重建后能继续当前任务，而不是从压缩摘要里猜之前在干什么。

MiMo Code 还有 dream / distill 两个自我改进命令，和 Generative Agents 的 reflection 机制遥相呼应：/dream扫描近期会话痕迹，把持久知识提取到项目记忆，同时删除过时条目；/distill发现重复的手动工作流，把高置信度的候选打包成可复用的 skill、subagent 或 command。等于是让 agent 自己反思、自己沉淀经验。

横向对比

把上面几个 Agent 按维度拆开看：

记忆载体

分层与加载

压缩与重建

子代理与隔离

记忆系统的关键设计点

从上面这些实现里，能提炼出几个关键设计点。

文件式记忆是当前主流。这几个 Agent 里，除 Aider 的 repo map 外，主记忆都是 Markdown 文件。原因是文件可读、可 diff、可入版本控制、可团队协作——这些都是向量库做不到的。向量检索在这些编程 Agent 里基本没有用于主记忆，更多用在通用对话型 agent 的历史会话检索上。

分层加载是共同的选择。Claude Code、AGENTS.md 规范、OpenCode、Cline 都遵循"越靠近工作目录越优先/越后读"的原则。Claude Code 是全部拼接不覆盖，AGENTS.md 是最近的胜出，Cline 是工作区优先于全局。这套分层让组织规范、个人偏好、项目约定能各安其位。

光分层还不够，还得按需加载。Claude Code 的.claude/rules/paths、Cline 的 conditional rules paths、Aider 的 repo map 动态选取，都是"匹配到才加载"，避免把所有规则一股脑塞进上下文。

自动记忆要不要做，是个取舍。目前只有 Claude Code 有成熟的 auto memory，MiMo Code 用 checkpoint-writer 子代理自动维护状态快照也算半个。好处是省心，风险是写入质量依赖模型判断，可能写入错误模式。Claude Code 的做法是容量有限（前 200 行/25KB）且可审计（/memory命令查看和编辑）。

上下文快满时怎么处理，决定了 agent 能不能干长活。Claude Code 和 Cline 用结构化摘要保留意图、文件、决策和待办，丢弃逐字对话和工具输出，而不是简单砍掉头部；OpenCode 用 compaction agent 做类似的事。MiMo Code 更进一步，用上下文重建替代单纯压缩。

压缩之后还得有记忆存活机制。Claude Code 在 compact 后重新注入项目根 CLAUDE.md，Cline 用 checkpoints 允许回滚到摘要前。压缩不该是不可逆的信息黑洞。

子代理隔离上下文是变相扩容。把大文件读取和搜索隔离在子代理的独立上下文里，只把最终摘要返回主上下文，这几个 Agent 都在用这招。

下面这张图把一个好的记忆系统的运转闭环串起来看：

设计不好会出什么问题

记忆系统设计不当，轻则 agent 行为飘忽，重则跨会话传播错误。下面是几种常见的失败模式。

指令冲突：两份 CLAUDE.md 或 AGENTS.md 给出不同的指导，模型可能随便选一个。Claude Code 官方文档在 Troubleshoot 里明确指出这个问题，建议人工清除冲突。AGENTS.md 规范的 FAQ 给出的规则是"最近的胜出"。

记忆污染：auto memory 写入了错误模式或过时偏好，然后跨会话传播。Claude Code 的 auto memory 跨会话共享，需要定期用/memory审计和编辑。

过期记忆：规则文件没跟着技术栈更新，反而误导模型。Cline 官方文档直言"Keep rules current. Outdated rules confuse Cline"。

token 爆炸：CLAUDE.md 写太长（官方建议不超过 200 行，否则 adherence 下降）、规则全量加载、子代理返回过多结果，都会把上下文撑爆。Claude Code 官方警告"many subagents returning detailed results can consume significant context"。

compact 后指令丢失：只在对话里给过的指令，或子目录嵌套的 CLAUDE.md，在 compact 后会消失。要持久就得写进 CLAUDE.md，这是 Claude Code 的明确建议。

子代理上下文不继承：以为子代理能看到主对话历史或 auto memory，实际上不能。Claude Code 明确说明 subagent 不含主会话历史与 auto memory，除非自定义 memory 字段。

规则被当强制配置：以为 CLAUDE.md 会硬性阻断某个操作。实际上它是 context，不是 enforced configuration，要硬阻断得用 PreToolUse hook。

幻觉性记忆：auto memory 写入了编造的内容，或模型声称"记得"某事但实际没存储。auto memory 可审计，但写入质量依赖模型判断什么值得记。

跨机不一致：auto memory 是机器本地的，不跨机、不跨云环境共享。换台电脑，记忆就没了。

压缩信息损失：摘要会丢弃逐字代码和完整工具输出，后续无法精确引用。这是结构化摘要的固有代价。

monorepo 噪音：祖先目录里其他团队的规则被加载进来。Claude Code 提供claudeMdExcludes排除，AGENTS.md 用嵌套就近解决。

好的记忆系统长什么样

把上面的设计点和失败模式反过来，好的记忆系统大概长这样：

持久层用可读、可 diff 的文件，能入版本控制做团队协作；加载时分层 + 向上遍历，让组织规范、个人偏好、项目约定各安其位，冲突有明确的解决规则；按需加载避免 token 浪费，只有匹配的上下文才激活对应规则；上下文快满时做结构化摘要或重建而非截断，保留意图、文件、决策和待办，压缩后核心记忆重新注入、状态可回滚；子代理隔离独立上下文，只把摘要返回主窗口；token 占用始终受预算约束，有重要性排序；自动记忆可审计、可编辑、容量有限，强制 agent 做信息蒸馏；最好还有类似 dream / distill 的反思机制，让 agent 自己沉淀经验、清理过时条目。

说到底，记忆系统的核心矛盾是"记住更多"和"上下文有限"之间的博弈。好的设计在这两端之间做取舍：让该进来的进来、该留住的留住、该丢掉的丢掉，把有限的窗口留给真正重要的信息。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】