一夜之間，Anthropic內部都在搞「智能體圖」！
文章作者、來源：新智元
記憶，最後變成了一個文件夾
Lamis上來就放了個大招：光有智能不會產生複利。
再牛逼的模型，開箱也不知道在你的組織裏怎麼才算把活幹成。這些東西得有人餵給它，還得讓它記住。
Anthropic過去一年就在琢磨怎麼喂，前後換了四代方案。
第一代是CLAUDE.md。人能讀、agent能寫的markdown文件，塞在會話開頭，效果「好得不講道理」。但代價是會越寫越長。
第二代是memory工具。乾脆放權：什麼時候讀、什麼時候寫、什麼時候更新，讓agent自己定。
第三代是Skills，核心思路叫漸進式披露。
Lamis用書架做了個比喻：有人用法語搭話，我抽出那本法語詞典就能應付——不需要提前把七年法語課的內容全背進腦子。同樣的，agent只看文件頂部那幾句摘要決定要不要加載，但skill本身可以塞進任意深度的細節。
第四代，也是他們現在認定的做法：把記憶直接建成文件系統。理由樸素——agent天生會翻文件、搜關鍵詞，你只管把它索引好。
思路聽着漂亮，一上真實環境就出事。幾千個agent同時改一份記憶，誰說了算？一個agent犯了錯，錯的信息瞬間傳染全體。
Anthropic的解法是設置四道護欄：能回滾、防撞車（你寫到一半別人先交了，你這份作廢重來）、分權限（全局知識只讀，agent只能寫自己的草稿本）、可搬家。
現場當時就有觀衆靈魂拷問：這不就是在重新發明數據庫嗎？Lamis笑了：確實是回到那些老套的軟件工程原則，只不過換成agent能用的方式。
用起來也很簡單，5分鐘搞定：新建一個CLAUDE.md，寫清楚活幹成什麼樣才算合格。以後每踩一個坑，回來補一行。
讓AI做夢：校長夜裏批全校的卷子
上面這些，都是agent一邊幹活一邊順手做的。但這裏有兩個天花板。
一是分心——你既讓它完成任務，又讓它花算力寫文件。
二是視野——它只看得見這一次會話裏發生的事。你眼看着它反覆犯同一個錯，急得跺腳，它卻毫無感覺。
因爲每次會話對它來說都是一張白紙，上次犯的錯根本不存在。幾個agent在不同環境各跑各的，彼此踩過什麼坑，更是互相看不見。
說白了：寫記憶不該跟幹活搶時間，也不該讓一個agent蒙着眼睛幹。得有人站在全局，事後統一復盤。
於是有了dreaming——做夢。
做法簡單粗暴：等agent們都收工了，單獨起一個專職「復盤」的agent，把記憶庫和一大批歷史對話記錄攤開來，找出反覆出錯的地方，逐條提出修改建議，附上「哪幾次對話裏出的事、出了多少次」，最後交給人類拍板。
Lamis用學校來打比方：學生交卷，老師批改，校長復盤全局。
學生每天交作業，老師每天批，但沒人看全局。直到校長把全校試卷攤開一看——地理科所有同學同一道題全答錯了。爲什麼？翻開課本一查，這個知識點根本沒教過。校長把它補進課綱，第二天所有人自然就會了。
聽起來要額外花錢？Lamis說恰恰相反——記憶庫一旦乾淨，agent更容易一把過，犯錯少了，成本反而降下來。這是真正的複利。
不用等Anthropic把這套東西做成產品，自己每週就能跑一遍：開個新會話，把這周的聊天記錄丟給AI，讓它挑出你老是卡住的地方，直接在CLAUDE.md添上就行。
你手上那條工作流是一張畫爛了的圖
記憶管的是時間：讓agent跨會話攢經驗。她講的另一半管的是結構：一次任務內部，步驟到底該怎麼排。
隨講座一起流出的還有一份圖工程指南，核心觀點用一句話說：你的工作流本來就是一張圖，只是畫得太爛。
比如，「先調研、再總結、再寫稿」——三步排成一條線，每一步都在等上一步。但真的每一步都非等不可嗎？
指南里給了個方法，叫假邊測試：對着工作流裏的每一個箭頭問一句：這一步真的用到了上一步的輸出嗎？數據真的流過去了嗎？如果沒有，這個箭頭就是假的，等待純屬白費。
把假箭頭刪掉之後，最常出現的形狀叫鑽石：一個步驟做完，下面岔成好幾條路同時跑，跑完再收攏到一個點彙總。你等的時間是最慢那一條路，而不是幾條加在一起。
但同時跑也有風險——其中一路跑出了垃圾，會不聲不響混進最終結果。所以匯合之前要加一道質檢：這份輸出能不能用？能用才往下走。
爲什麼說這是個轉折
提示詞有個根上的毛病：改進不累積。
你把一句提示詞調到完美，這次它表現很好。下個任務，從頭再來。功夫全留在了聊天框裏，第二天什麼也沒剩下。
圖和記憶在幹同一件事——讓功夫留下來。圖把結構寫成文件，記憶把經驗寫成文件，dreaming讓AI自己往裏補。
人的位置也跟着變了：從一句一句喂指令的人，變成第二天早上點頭或者搖頭。
Keep thinking, keep learning, and keep dreaming.
風險及免責聲明：以上內容僅代表作者個人觀點，不代表富途任何立場，亦不構成任何投資建議，富途對此不作任何保證與承諾。更多信息
評論
發表評論