LangSmith Agent Builder 记忆系统深度剖析：文件化持久化与多模记忆实现

什么是 LangSmith Agent Builder

LangSmith Agent Builder 是一款 零代码 智能代理构建平台，基于 LangChain 的 Deep Agents 框架实现。它面向技术门槛较低的用户，帮助他们快速搭建如邮件助理、文档检索等特定任务的代理。

为何优先开发记忆系统

在通用大模型（ChatGPT、Claude、Cursor）中，用户的交互往往千差万别，记忆的价值有限。LangSmith Agent Builder 的代理则 重复执行同一业务流程，因此一次交互中获得的经验可以直接迁移到后续交互。若没有记忆，用户每次都要重复提供相同的上下文，使用体验会急剧下降。

根据 COALA 论文的记忆划分，本文将记忆系统分为三类：

• 程序性记忆：指导代理行为的规则集合；
• 语义记忆：关于外部世界的事实信息；
• 情景记忆：代理过去行为的序列（本系统暂未实现）。

记忆系统的实现方式

1. 文件化存储：记忆以文件形式保存（markdown、json），因为 LLM 对文件系统的理解最为自然。代理可以直接读取、编辑这些文件，无需额外工具。
2. 虚拟文件系统：实际文件保存在 PostgreSQL 中，由 DeepAgents 提供的抽象层映射为文件系统，支持 S3、MySQL 等后端。
3. 标准化文件：
   • AGENTS.md：核心指令集（程序性记忆）。
   • tools.json：工具访问权限配置（程序性记忆）。
   • subagents/ 目录：子代理定义，采用类似 Claude Code 的格式。
   • 其他用户自定义的 markdown/json 文件：用于存放语义记忆（如候选人信息、会议摘要等）。

典型案例：LinkedIn 招聘代理

• AGENTS.md 定义招聘流程的总体指令；
• subagents/linkedin_search_worker 负责筛选候选人；
• tools.json 授权对 LinkedIn 搜索 API 的调用；
• 额外的 markdown 文件记录每轮面试的要点、候选人背景等。

编辑机制示例

1. 初始：用户在 AGENTS.md 中写入 "使用项目符号列出会议要点"。
2. 第一周：代理生成会议摘要并保存为 meeting_2024-02-01.md。
3. 第二周：用户再次请求摘要，代理自动读取并在原文件上追加最新要点。
4. 迭代：用户通过自然语言指令微调 AGENTS.md，代理即时生效。

开发经验教训

• 提示设计至关：记忆功能的可靠性主要取决于提示的结构与明确性。
• 文件格式校验：tools.json 必须符合 JSON Schema，否则会导致工具调用失败。
• 代理的文件管理能力有限：它能写入信息，却不擅长主动整理或删除冗余内容，需要显式提示。
• 显式指令仍必不可少：即便记忆可自动更新，关键操作仍需用户明确指令。

记忆系统带来的价值

• 零代码体验：通过 markdown 与 json，非技术用户即可管理记忆。
• 迭代式构建：用户只需自然语言反馈，代理即可自我调整。
• 跨平台迁移：完整的文件目录即可在其他 LangChain 环境中复用。

未来路线

• 引入 情景记忆（行为序列追踪）。
• 优化后台记忆同步与冲突解决机制。
• 提供语义向量检索，提升对大规模事实记忆的查询效率。

---

如果你想亲自体验带记忆的零代码代理，访问 LangSmith Agent Builder。想参与开发或加入团队，请查看我们的 招聘信息。