大模型 · 共 13 个专题

记忆、规划与多智能体

长期记忆怎么写怎么取、任务怎么拆、多智能体值不值得。

3 道题 约 5 分钟 大模型 · 智能体

三个问题

信息放哪里、什么时候取、怎么不越跑越偏。

Q1

Agent 的记忆该怎么设计?

进阶

一句话回答: 分三层——上下文里的工作记忆、向量库的长期情景记忆、结构化的用户画像。关键是写入和检索策略,而不是存储本身。

展开:

  • 工作记忆:当前任务的消息与中间结果,随窗口滚动做摘要压缩。
  • 情景记忆:把历史对话/操作摘要成条目存向量库,检索时按语义 + 时间衰减召回。
  • 语义记忆:结构化字段(偏好、禁用项、账号信息),直接查,不做向量匹配。
  • 写入策略:不是所有对话都值得存,用一次轻量判断(是否包含新事实/偏好)决定是否落库,否则库里全是噪音。
  • 遗忘:定期合并去重、按访问频率淘汰、冲突时以时间新的为准。
#Memory
Q2

复杂任务怎么规划?Plan-and-Execute 和 ReAct 怎么选?

进阶

一句话回答: 步骤少且环境反馈重要用 ReAct;步骤多、可预先拆解用 Plan-and-Execute。实践常是「先规划、执行中允许重规划」的混合模式。

展开:

  • ReAct:边想边做,适应性强,但长任务容易绕圈、token 消耗大。
  • Plan-and-Execute:一次生成步骤清单,逐步执行,省 token、可并行、可人工审核计划。
  • 混合:先生成计划 → 每步执行后检查是否偏离 → 偏离则重规划。这是大多数生产 Agent 的实际形态。
  • 拆解质量:每个子任务要可验证(有明确的完成判据),否则模型无法判断自己做完没有。
#Planning
Q3

什么时候该用多智能体?它真的比单 Agent 好吗?

专家

一句话回答: 只有在「子任务可独立、上下文彼此隔离、需要不同工具或角色」时才值得。多数场景单 Agent + 好工具更便宜也更稳。

展开:

  • 收益:上下文隔离(每个专家只看自己那段,避免污染)、并行加速、职责清晰便于评估和替换。
  • 代价:token 成本成倍、延迟上升、错误在 agent 间传播、调试困难、终止条件难设计。
  • 常见形态:Orchestrator + 专家(路由)、辩论(多视角校验)、层级(主管-工人)。
  • 判断标准:如果单 Agent 的失败原因是「工具不好用」或「提示不清」,拆成多智能体不会解决任何问题。
  • 工程要点:显式的消息协议、每个 agent 的预算上限、全局最大轮数、失败时的兜底出口。
#Multi-Agent