近来, 负责Anthropic的工程师Lamis于伦敦AI峰会上, 用以近达30分钟的时长当众剖析了一套致使AI呈现出「越使用越具智慧」态势的内部方法。她在开场之际便以诙谐方式调侃听众的「上下文窗口」已然快要被填满, 紧接着径直将公司历经一年所积累的技术家底完全揭露出来。其关键核心确切来说即为一句话: 仅仅单纯具备智能并不能产生如同复利般的效果, 你必须要使得AI能够自行去记住过往经验, 进而对流程实施优化。

记忆从文件变成了文件系统

Lamis讲, 在过去的那整整一年之中, 他们历经了四代不同的记忆方案更迭；第一代方案是将会话起始部分安放塞.md文件, 所呈现出的效果佳, 到让人觉得好得简直毫无道理可言, 然而随之而来的问题便是文件篇幅会随着不断书写持续变长；新一代的第二代方案是给予AI工具自主决定权, 使其能够自行去判定读写的具体时机；第三代方案被称作渐进式披露, 即仅仅让AI去查看摘要部分, 而细节内容则被隐匿于相对较深的层次；最为厉害的第四代方案是直接把记忆构建成为文件系统, 原因在于AI本身就自带着能够翻阅文件以及搜索关键词的能力。

一旦在真实环境中运行就会出现状况。几千个智能体在同一时间修改同一份记忆内容, 究竟谁具有最终决定权呢? 只要有一个智能体出现错误, 那么错误信息会极快地传播至所有智能体。为了避免这种状况而设置了多种防护措施: 具备可以 revert 的能力、可以防止碰撞、依照权限划分区别对待、还有能够进行迁移的灵活机制。在现场有人提出这样的措施难道不就等同于重新创造数据库吗? Lamis 露出笑意道: 的确是回归到了传统的软件工程原则, 只不过应用转化为智能体能够使用的形式罢了。

5分钟搭好你的记忆文件夹

建成一个.md类型的文件, 清晰写明「活干何样方可称得上为合格」此事, 这一实操行为是颇为简易的。随后每碰到一个阻碍处, 就返回去增添一行内容。假设你书写「客户拒绝之际切勿当即降价」这般信息, 那么下次人工智能便不会犯下相同的差错。其运用起来并非繁杂, 仅需五分钟便能够成功完成这一系列操作。

这套方法具备的益处乃是积累, 你每补充一行, AI便更聪慧一分, 历经半年, 这个文件夹便成为你的团队知识库, 新入职员工径直查看文件, 勿需再从头展开教导, 老员工离职, 经验亦不会随之离去, 此即复利。

让AI做梦校长夜里批全校卷子

然而, 上述其所涵盖的这些均存在着天花板。其一为分心的状况, 具体表现为AI不仅要劳作且还要撰写文件, 如此一来, 算力便被分散而去。其二是视野方面, 其仅仅能够看见此次的会话内容, 而上次所犯下的错误从其视角根本就是不存在的。并且, 几个agent各不干扰地各自运行作业, 其所踩过的坑相互之间无法看见。鉴于此, 于是Lamis便提出了「做梦」这一设想: 当agent结束工作的时候, 单独启动一个专门负责复盘的agent, 将记忆库以及历史对话全部陈列开来, 从中找寻出反复出现错误的地方, 进而提出相应的修改建议。

她以学校来作比方, 学生交上试卷之后, 老师进行批改, 校长则复盘整体局面。地理科全体同学针对同一道题目, 全部答错了, 翻开课本去查看, 这个知识点根本就未曾教过。校长将其补进课纲里, 第二天所有人自然而然就会了。听起来似乎要额外花费钱财, 然而Lamis表示恰恰相反, 记忆库变得干净了, agent更加容易一次性通过, 犯错减少了, 成本反倒降下来了。

你的工作流是一张画烂了的图

时间由记忆掌管, 结构由图管控。随着讲座流出的图工程指南, 其核心观点为: 工作流本身实则是一张图, 只不过绘制得很糟糕。就像“先进行调研, 而后总结, 接着写稿” 这三步排列成一条线, 且每一步都要等待上一步完成。然而真的是每一步都必然要等待吗? 指南提供了一种方法称作假边测试: 针对每一个箭头询问, 这一步骤真的运用到上一步的输出成果了吗?

将假箭头去除后, 最常呈现的形状称作钻石, 完成一个步骤后, 下面岔出多条路同时运行, 运行结束后再汇聚到一个点进行汇总, 你等待的时间是最慢的那条路, 并非几条路相加的时间, 然而同时运行存在风险, 即一路运行产生的垃圾会混入结果, 所以在汇合之前要增加一道质检, 这份输出是否可用, 可用才继续往下进行。

提示词的毛病是改进不累积

存在这样一种情况, 提示词有着根源性的问题, 那就是改进无法实现累积, 当你把一句提示词调试到堪称完美的程度, 在此次任务中表现极为出色, 然而到了下一个任务时却又得一切重新开始。所付出的努力全部都留在了聊天框内, 待到第二天已然毫无残留。图与记忆承担着相同的一种作用, 即让所付出的功夫得以留存下来。图将结构整理成文件形式, 记忆把经验撰写成文件形式, 进而让AI自行往其中进行补充。

人的位置发生了改变, 从那般一句句发出喂指令的人, 转变为次日清晨进行点头或者摇头行为的人, 你已然无需将每一步该如何做之事无巨细地告知AI, 你仅要去审核它自身总结而出的经验是否正确, 在2026年8月, 这般一套方法已然在Anthropic内部运行了一年多, 成效显著。

每周花30分钟让AI自己复盘

不必等待产品化, 你自身便能够运行。每周开启一个新会话, 将这周的聊天记录交付给AI, 使其挑选出你时常卡顿的位置, 径直在.md上增添一行。譬如你发觉每次撰写周报都拖延至周五晚上, 那就让AI提醒你周三着手收集数据。持续一个月, 你的工作流程会日益顺畅。

这套方法的关键要点在于, 推动AI自行进行迭代。你无需成为提示词方面的专家, 仅需掌握搭建框架的技巧。当框架搭建完成后, AI会自行运转起来。正如Lamis所言: 持续构建, 持续学习, 持续交付。

啥时候你会着手为AI去创建首个记忆文件夹呢? 在评论区交流一谈你的那些想法, 点个赞并且分享出去, 好让更多的人能够看到这一套方法。