Agentic Memory 实践:用 agents.md 实现 LLM 持续学习

简介: 利用 agents.md 文件实现LLM持续学习,让AI Agent记住你的编程习惯、偏好和常用信息,避免重复指令,显著提升效率。每次交互后自动归纳经验,减少冷启动成本,跨工具通用,是高效工程师的必备技能。

LLM 能自动化研究、编程等各类任务,但有个恼人的问题:完成一个任务后,下次交互又得从零开始。每次都要重复告诉它代码格式怎么写、任务按什么偏好执行,时间就这么浪费掉了。

agents.md 文件可以让 LLM 把可复用的信息存到单独文件里学习你的习惯和模式。新任务开始时自动读取这个文件,冷启动问题没了重复指令也省了。

本文会概述如何通过持续更新 agents.md 文件来实现 LLM 的持续学习。

为什么需要持续学习?

全新的 Agent 上下文意味着一切从头来过,Agent 要重新摸清你的偏好你得花时间反复调教它。

比如要告诉 Agent 用 Python 3.13 语法别用 3.12,要求函数必须有返回类型,禁止使用 Any 类型等等。用 AI Agent 图的就是快,不需要要反复交代 Python 版本、Any 类型这些事。

Agent 有时还会花时间去查你早就知道的信息:比如文档表叫什么名字、CloudWatch 日志在哪、S3 存储桶的前缀是什么。假如 Agent 不知道文档表的名称,它得先列出所有表,再从中找可能的候选项,最后要么查表确认,要么问你。这套流程下来时间就没了。

这张图片展示了 Agent 查找文档表名称时必须执行的操作。首先必须列出数据库中的所有表,然后找到相关的表名。最后Agent 通过询问用户确认或在表中进行查询来确认它找到了正确的表。这需要花费大量时间。如果可以将文档表的名称存储在 agents.md 中,这样可以在以后编程 Agent 的交互中更加高效。

把文档表名称、CloudWatch 日志、S3 前缀这些信息写进 agents.md,这些时间就全省下来了。所以持续学习的核心诉求很简单:重复指令既烦人又耗时,而我们用 AI Agent 就是要追求极致效率。

如何应用持续学习

最简单的持续学习方法围绕 agents.md 文件展开,建议每个代码仓库都放一个。两个核心做法:

第一,Agent 犯错时告诉它正确做法,并让它把这条经验写进 agents.md。第二每次对话结束后用下面这个 prompt,让 Agent 把对话中学到的东西归纳存档,以后用得上:

 Generalize the knowledge from this thread, and remember it for later.   
 Anything that could be useful to know for a later interaction,   
 when doing similar things. Store in agents.md

这两招能让你在持续学习这件事上完成 80% 的工作,工程效率会有明显提升。

关键在于时刻惦记着 Agentic Memory。Agent 做了不对的事?立刻存到 agents.md 里。

你可能担心 agents.md 越写越长会拖慢 Agent、增加成本。其实不会,因为LLM 很擅长压缩归纳信息,几千字的 agents.md 根本不算什么。前沿 LLM 的上下文窗口动辄几十万 Token,完全装得下。

所以成本方面可能反而会下降,因为Agent 不用再花 Token 去查那些已经写在 agents.md 里的信息了。

重度使用 agents.md 进行 Agentic Memory 会让 LLM 用得更快,成本更低

一些实用技巧

Claude Code 里有个便捷操作:在终端输入 # 加内容就能直接写入 Agent 记忆。比如:

 # Always use Python 3.13 syntax, avoid 3.12 syntax

输入后会弹出选项让你选择存储位置。保存到用户记忆,信息会跨所有仓库生效,适合通用规则(比如函数必须有返回类型)。保存到当前文件夹,适合特定服务的配置。保存到项目根目录整个仓库都能读到。

这张图片突出显示了在 Claude 中拥有的不同记忆选项。可以选择保存到用户记忆中将记忆存储在你的所有会话中,无论是哪个仓库。此外还可以将其存储在你所在项目的子文件夹中,例如存储关于特定服务的信息。最后还可以将记忆存储在项目根文件夹中,这样与该仓库的所有工作都将拥有该上下文。

不同编程 Agent 用的记忆文件不一样:Claude Code 用 CLAUDE.md,Warp 用 WARP.md,Cursor 用 .cursorrules。

但 agents.md 基本上所有 Agent 都认的文件名,所以我建议把信息往 agents.md 里写,这样不管用哪个编程 Agent 都能读到。毕竟今天 Claude Code 最强,明天说不定换别家了。

AGI 与持续学习

真正的持续学习有时被认为是 AGI 的最后几道门槛之一。现在的 LLM 本质上是用文件(比如 agents.md)来模拟持续学习——把学到的东西存下来,下次读取。理想状态应该是模型在学习新信息时直接更新权重,就像人的本能那样。

真正的持续学习还没实现,但这应该是未来几年会有突破的方向。

总结

想成为更高效的工程师,用好 agents.md 做持续学习是一条捷径。Agent 会逐渐学会你的习惯、记住你常犯的错误、熟悉你常用的信息,后续交互越来越顺畅。我认为重度使用 agents.md 是成为优秀工程师的必备技能,值得持续投入。

https://avoid.overfit.cn/post/7e3796a1a0214e1984037d8deee4a44f

作者:Eivind Kjosbakken

目录
相关文章
|
5月前
|
人工智能 前端开发 Java
让AI Coding 效率翻倍!AGENTS.md 标准化文档详解:兼容Claude/Cursor/Codex全方案
在多AI编程工具并行使用的团队开发场景中,长期存在一个普遍痛点:不同AI客户端各自使用独立规则配置文件,Claude依赖CLAUDE.md、Cursor使用.cursorrules、Codex采用AGENT.md,团队需要同步多份内容高度重合的文档,维护成本成倍上涨。同时AI无法完整理解项目整体架构,前后端代码上下文割裂、私有组件不识别、编码规范不清晰、无法自主构建自测等问题,导致AI生成代码返工率极高,大幅拉低开发效率。
1273 0
|
6月前
|
人工智能 前端开发 Shell
一个文件让 AI Coding 效率翻倍:AGENTS.md 实践指南
文章内容基于作者个人技术实践与独立思考,旨在分享经验,仅代表个人观点。
16569 4
一个文件让 AI Coding 效率翻倍:AGENTS.md 实践指南
|
7月前
|
人工智能 NoSQL API
instinct:一个基于置信度的 AI Agent 自学习记忆系统
instinct 是一款开源 AI 编程记忆系统,让 Claude Code、Cursor 等 MCP Agent 具备跨会话自学习能力。通过“观察→重复→成熟→建议”机制,自动累积模式置信度,智能晋升为可建议(mature)或自动执行(rule)的惯例,无需人工维护规则文件。基于 SQLite 与 MCP 标准,支持项目级作用域与自动衰减,真正实现 Agent 的习惯养成。
807 10
instinct:一个基于置信度的 AI Agent 自学习记忆系统
|
11月前
|
人工智能 运维 自然语言处理
2025年开源AI知识库深度体验:PandaWiki重新定义企业知识管理
2025年末了,作为一名AI的资深使用者我对PandaWiki有一点使用体会想分享下,写的不好请见谅。
|
8月前
|
人工智能 安全 图形学
OpenClaw(Clawdbot)阿里云+本地部署攻略:+Claude Code ECC、OMC插件兼容指南
在AI编程工具生态中,Claude Code的两大核心插件everything-claude-code(ECC)与oh-my-claudecode(OMC)以极强的互补性成为开发者首选:ECC聚焦工程质量,构建Rules规范体系与Agents专家团队,守住“90分质量门禁”;OMC主打工作流增强,凭借持久化记忆与多模型协作,实现“高效执行闭环”。但两者同时安装时的Agent命名冲突,成为困扰开发者的核心痛点。
2824 1
|
5月前
|
人工智能 前端开发 Java
AGENTS.md完整落地实践:一份文件翻倍AI编码效率实操指南
在AI编程工具广泛普及的当下,Cursor、Claude Code、Copilot、各类智能体工具各自使用独立规则文件,团队需要维护多套配置,切换工具时重复同步编码规范,AI对项目架构、私有组件、构建流程一无所知,产出代码大量不符合团队标准,反复人工修改大幅拉低开发效率。AGENTS.md作为统一行业标准,完美解决配置碎片化、AI缺少项目上下文的痛点,仅在仓库根目录放置一份Markdown文件,即可让全部AI编码工具统一读取项目规则、架构、构建命令,搭配配套工程脚本,实现「AI读懂项目、写完自动自检、自主验证功能」完整闭环,显著提升AI编码产出质量与整体研发效率。本文结合Spring Boot
1025 0
|
10月前
|
人工智能 缓存 自然语言处理
LLM多跳推理深度测试:四项指标精准定位模型的推理极限
本文探讨大模型在多步推理中的表现,通过四项压力测试对比Llama 3.2与Qwen 3的逻辑极限。分析揭示:Llama 3.2依赖预训练内化的直觉推理,稳定高效;Qwen 3则靠“自我对话”推进复杂任务,虽具思考深度但易受算术错误影响,深层推理易崩溃。两者适用于不同场景——速度优先选Llama,探索性任务可试Qwen。
829 12
LLM多跳推理深度测试:四项指标精准定位模型的推理极限