页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Agent长期记忆」找到 77 条内容
按专题浏览 →匹配正文：答案要点 能清晰拆解Agent的四大核心组件（规划、记忆、工具、行动） 理解各组件的交互关系和数据流向 能结合具体范式（如ReAct）说明工作原理 提到多Agent协作或反思机制等进阶设计 AI Agent的核心架构可拆解为四大组件，形成"感知-规划-执行-记忆"的闭环： 1. 规划模块（Planning） 功能：将复杂任务拆解为可执行的子步骤 原理：基于LLM的推理能力，常用ReAct（Reasoning + Acting）范式，交替进行"思考→行动→观察" 进阶：多步规划…
匹配正文：核心架构 Agent 不是“模型加几个工具”，而是一个带状态、约束和反馈的执行系统。生产架构通常包含： 入口与策略层：认证、限流、意图识别、风险分级和预算。 规划与状态层：维护目标、步骤、依赖、当前状态和终止条件；确定性流程优先用状态机。 工具层：工具 schema、参数校验、权限、超时、幂等、重试、熔断和结果校验。 记忆与知识层：短期状态、长期记忆与 RAG 分开治理，并执行租户隔离和删除策略。 安全与人工层：敏感动作审批、最小权限、提示注入防护和审计。 观测层：记录 tr…
答案要点 区分短期记忆（工作记忆）与长期记忆（经验存储）的作用 说明Memory如何解决LLM上下文窗口限制 阐述记忆检索与经验积累对决策优化的价值 提及多智能体间记忆共享与协作机制 Memory在多智能体系统中解决三个核心问题：突破上下文限制、积累领域经验、实现协作共享。 核心作用分层 短期记忆（工作记忆） 维护当前对话/任务的上下文状态 弥补LLM有限的上下文窗口（通常4K-128K） 支持多轮推理中的信息连贯性 长期记忆（经验存储） 沉淀历史决策轨迹与结果反馈 存储领域…
学习内容与项目面试，在同一条路上。