Vibe Coding 与 AI Agent 全景知识库

主题

8.9 记忆系统与技能挂载：长期 Memory 持久化与 SKILL.md 动态挂载 ​

“老管家不仅记得你的咖啡习惯不加糖（长期记忆），当你需要报税时，他还能随手翻开一本《个税申报指南》（动态技能包），立刻变身专业财务助理！”

🧠 记忆系统与技能包：让 Agent 跨会话持续进化 ​

在现代 Agent 体系中，一个真正聪明的助手必须具备两种跨越单次会话的进化机制：

  1. 长期记忆系统（Long-term Memory）：记录用户偏好、项目架构规约、业务黑话，关闭终端甚至重启电脑后依然不丢失；
  2. 动态技能挂载（Skills Injection）：将专业领域的 SOP（如 Git 提交规范、Docker 部署指南）打包为独立的 Markdown 文件（SKILL.md），按需动态挂载进 System Prompt（参考 learn-claude-code s07 Skill Loading 与 s09 Memory）。

🧠 记忆系统与技能包：让 Agent 跨会话持续进化

💡 为什么技能包采用 Markdown（SKILL.md）？ ​

  1. 对大模型最友好：大模型对 Markdown 的标题、列表和加粗具有最天然的语义解析能力；
  2. 零代码热插拔：任何人想要教 Agent 一个新技能（例如《企业内部发布流程》），只需新建一个 deploy_guide.md 扔进 skills/ 目录，无需修改任何 Python 源码；
  3. 按需挂载节约 Token：平时不挂载，做 Git 操作时才加载 git_expert.md，极致保持上下文清爽。

💻 源码实现：MemoryStore 与 SkillLoader ​

在 code/s09_memory_and_skills.py 中，核心架构实现如下：

python
class MemoryStore:
    """本地 JSON 持久化记忆仓库"""
    def __init__(self, storage_file: str = "agent_memory.json"):
        self.storage_file = storage_file
        self.memories = self._load()

    def remember(self, key: str, value: str):
        """存盘记录"""
        self.memories[key] = value
        with open(self.storage_file, "w", encoding="utf-8") as f:
            json.dump(self.memories, f, ensure_ascii=False, indent=2)

    def recall(self) -> str:
        """格式化导出所有记忆"""
        return "\n".join([f"- [{k}]: {v}" for k, v in self.memories.items()])

class SkillLoader:
    """扫描 ./skills 目录下的所有 md 文件"""
    def __init__(self, skills_dir: str = "skills"):
        self.skills_dir = skills_dir
        self.loaded_skills = {}
        self.reload_skills()

    def reload_skills(self):
        md_files = glob.glob(os.path.join(self.skills_dir, "*.md"))
        for path in md_files:
            name = os.path.splitext(os.path.basename(path))[0]
            with open(path, "r", encoding="utf-8") as f:
                self.loaded_skills[name] = f.read().strip()

    def assemble_system_prompt(self, base_prompt: str, active_skills: List[str], memory: MemoryStore) -> str:
        """动态组装注入了记忆与技能的增强 Prompt"""
        prompt = base_prompt + "\n\n"
        prompt += f"🧠 【长期用户偏好与规则记忆】:\n{memory.recall()}\n\n"
        if active_skills:
            prompt += "🛠️ 【挂载的专业技能插件包】:\n"
            for s_name in active_skills:
                prompt += f"\n--- 技能插件: {s_name} ---\n{self.loaded_skills.get(s_name, '')}\n"
        return prompt

🕹️ 在 Gradio 中动手体验 ​

在 code/app.py 中切换到 8.9 记忆系统与技能挂载 标签页：

  1. 添加一条长期记忆：键名 技术栈偏好，内容 必须使用 TailwindCSS 与 FastAPI ➔ 点击保存；
  2. 勾选动态技能：git_expert 和 python_cleaner（仓库已在 code/skills/ 放好这两个 .md，勾选项来自扫描而不是写死名字）；
  3. 点击 ⚡ 生成注入了记忆与技能的增强 System Prompt，查看右侧完整组装出的超强 Prompt！

🪜 进阶深化：技能的"渐进式披露"两层加载（参考 learn-claude-code s05） ​

本节把整份技能正文一股脑塞进 System Prompt，简单但不够省。工业界的标准做法是 渐进式披露（Progressive Disclosure）：System Prompt 里只放每个技能的 name + description 轻量元数据（约 100 Token/个），当模型确认需要时，再通过一次 load_skill 工具调用按需取回全文（放进 tool_result，不进 System）——正如 learn-claude-code s05 Skill Loading 的设计：

python
def get_descriptions(self) -> str:
    """第一层：只向 System Prompt 暴露元数据，约 100 Token/技能"""
    lines = [f"- {name}: {skill['meta'].get('description', '')}" for name, skill in self.skills.items()]
    return "\n".join(lines) or "(no skills available)"

@registry.register
def load_skill(name: str) -> str:
    """第二层：模型主动点名时，才把完整技能正文作为 tool_result 注入"""
    skill = self.skill_loader.loaded_skills.get(name)
    return skill if skill else f"❌ 未知技能 {name}，可用: {', '.join(self.skill_loader.loaded_skills)}"

这要求技能文件带 YAML frontmatter 元数据（name / description）。收益：10 个技能也只需常驻 ~1000 Token，其余按需加载，上下文永久清爽。

记忆也需要更新和删除 ​

长期记忆应附带来源、写入时间和适用范围。“用户偏好简洁回答”可以跨会话使用，“本周接口地址是测试环境”则很快会过期。检索记忆时要考虑新旧冲突，允许用户查看、更正和删除，避免一次误判长期影响后续任务。

Skill 是一份可加载的工作说明，不等于模型学会了新知识。技能文件更新后，应重新运行代表性用例；涉及外部接口的技能还要校验版本和权限。按需加载可以节省上下文，但描述必须准确，否则模型可能选错技能。

📝 本节小结 ​

  • 记忆持久化：让 Agent 具备跨会话的持续学习和习惯记忆能力；
  • 技能插件化：用纯 Markdown 规范扩展能力边界，实现即插即用的专家能力注入；
  • 新思考：当遇到极其庞大的多领域复杂任务时，一个全能 Agent 难免分身乏术，如何派发多个子代理分头行动？请进入——8.10 Subagents 子代理协作！