Solon agent - 记忆的层次模型
2026年4月8日 上午10:36:01
在 AI 应用开发中，Agent 与单纯的 ChatModel（LLM） 在记忆机制上有本质区别。ChatModel 的记忆通常是线性的、原始的；而 Agent 的记忆则表现出明显的分层特征与结构化属性。
1、记忆的层次模型
针对复杂的业务场景，Agent 的记忆需要根据生命周期和作用域进行划分。以下是典型的框架分层逻辑（在 SolonCode 或 SolonClaw 等深度定制场景中，层次会更加丰富）：
2、核心记忆层级说明
| 记忆层次 | 适用模型 | 定义与功能描述 |
|---|---|---|
| 历史对话记录（Messages） | SimpleAgent ReActAgent TeamAgent | 跨任务记忆：由 ChatMessage 列表组成。记录多次完整的人机交互历程。一次记录包含“用户提问”到“Agent 最终答复”的完整闭环。 |
| 工作记忆（WorkingMemory） | ReActAgent TeamAgent | 任务内记忆：同样由 ChatMessage 列表组成，但其生命周期仅限于“单次任务”。记录 Agent 在处理当前问题时的多轮调度（Supervisor）或子代理处理（Subagent）或思考（Thought）过程与动作（Action）细节。 |
注意：
- 工作记忆，只作为“当前”任务的状态快照。如果需要保存每次任务的状态，可以定制会话。
3、过程数据的捕获与溯源
对于开发者而言，除了最终状态的记忆，Agent 执行过程中的“中间轨迹”同样至关重要。这些过程数据并不一定持久化为长期记忆，但可以通过以下方式实时获取或事后审计：
- 实时监听：通过“拦截器”（ReActInterceptor、TeamInterceptor 等）机制或“流式请求”订阅执行事件。
- 轨迹获取：在同步请求结束后，通过获取“轨迹”对象（ReActTrace、TeamTrace 等）来回溯 Agent 的决策链条。