Joerg Hiller
Feb 22, 2026 04:38
LangChain 詳細介紹其 Agent Builder 記憶系統如何使用檔案系統隱喻和 COALA 框架來創建持久的、學習型 AI 代理，無需編寫程式碼。
LangChain 揭開了為其 LangSmith Agent Builder 提供動力的記憶架構，展示了一種基於檔案系統的方法,讓 AI 代理能夠跨會話學習和適應,無需用戶編寫程式碼。
該公司做出了一個非常規的賭注:從第一天就優先考慮記憶功能,而不是像大多數 AI 產品那樣事後添加。他們的理由是什麼?Agent Builder 創建的是特定任務的代理,而非通用聊天機器人。當代理重複處理相同的工作流程時,週二會話中學到的經驗應該自動應用到週三。
檔案即記憶
LangChain 的團隊沒有構建自定義記憶基礎架構,而是利用了大型語言模型已經很好理解的東西——檔案系統。該系統將代理記憶表示為檔案集合,儘管它們實際上儲存在 Postgres 中,並作為虛擬檔案系統向代理展示。
該架構直接對應到 COALA 研究論文的三個記憶類別。程序性記憶——驅動代理行為的規則——存放在 AGENTS.md 檔案和 tools.json 配置中。語義記憶,涵蓋事實和專業知識,駐留在技能檔案中。該團隊在初始版本中刻意跳過了情節記憶(過去行為的記錄),認為這對他們的使用場景來說不太重要。
在可能的情況下採用標準格式:AGENTS.md 用於核心指令,代理技能用於專門任務,以及受 Claude Code 啟發的格式用於子代理。唯一的例外?使用自定義 tools.json 檔案而非標準 mcp.json,允許用戶僅從 MCP 伺服器公開特定工具,避免上下文溢出。
自我構建的記憶
實際結果是:代理通過糾正而非配置來改進。LangChain 演示了一個會議摘要器範例,用戶簡單的「改用項目符號」反饋自動更新了代理的 AGENTS.md 檔案。到第三個月,該代理已經累積了格式偏好、會議類型處理規則和參與者特定指令——全部無需手動配置。
構建這個系統並非易事。團隊專門安排一人全職處理與記憶相關的提示工程,解決諸如代理在不應該記住時記住或寫入錯誤檔案類型等問題。一個關鍵教訓:代理擅長添加資訊但難以整合。一個電子郵件助手開始列出每個要忽略的供應商,而不是概括為「忽略所有冷外聯」。
需要人工批准
預設情況下,所有記憶編輯都需要明確的人工批准——這是針對提示注入攻擊的安全措施。如果用戶不太擔心對抗性輸入,可以禁用這種「yolo 模式」。
檔案系統方法實現了鎖定的 DSL 無法匹敵的可移植性。在 Agent Builder 中構建的代理理論上可以在 Deep Agents CLI、Claude Code 或 OpenCode 上運行,摩擦最小。
未來規劃
LangChain 概述了幾項計劃中的改進:通過將對話歷史公開為檔案來實現情節記憶,每日運行的背景記憶流程以捕獲遺漏的學習內容,明確的 /remember 指令,超越基本 grep 的語義搜尋,以及用戶級或組織級記憶層次結構。
對於構建 AI 代理的開發人員來說,這裡的技術選擇很重要。檔案系統隱喻繞過了自定義記憶 API 的複雜性,同時保持了對大型語言模型的原生性。隨著代理處理更複雜、更長時間運行的任務,這種方法是否能擴展仍是一個開放問題——但 LangChain 押注檔案勝過框架來進行無程式碼代理構建。
圖片來源: Shutterstock
來源: https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
