去年起步的时候我也迷信提示词。给 Agent 写了两千字的人设，说话风格、口头禅、情绪反应全规定好了，效果是挺像那么回事——聊前三轮。到第十轮它就开始说一些「人不会说但 prompt 里暗含了」的话，为什么？因为 prompt 是个静态快照，人不是。
这半年推翻重来了两次，说几个实际的体会，不一定对，欢迎拍。
-
人味来自经历，不来自人设 我们那个做门店客服的 Agent （线下 KTV 场景用的），早期版本每周都要重新润一遍人设词。后来我把方向反过来：不动人设，把每天的对话记录、处理过的事、犯过的错全部结构化存下来。三个月之后明显不一样了——它开始会「记得」某个老顾客上次抱怨过包厢隔音，说话也带上了自己踩过坑的分寸感。这不是提示词能编的，是历史堆出来的。
-
所以先造时空，再造人 要仿人，得先给它一个会流动的环境：事件有时间戳、有因果、有后续变化，全部落成结构化数据。这一步没有捷径，纯脏活。但这是地基——没有这套东西，后面所有「记忆」「遗忘」都是空谈。
-
认知是历史的一个投影 每次调模型，喂进去的上下文其实是全部历史在当前情境下的一次投影。同一个 Agent ，早高峰处理客诉和深夜闲聊，取的历史切片完全不同。想通这点之后我不再追求「上下文里塞得越全越好」，而是想清楚这次调用该投影哪一段。
-
遗忘可能只是没被投影到 这个认知对我冲击挺大：历史数据明明还在库里，Agent 此刻「不记得」，往往不是删了，是这次投影没把它选进来。换句话说，遗忘可以是检索问题，不一定是存储问题。
-
记忆降级不等于遗忘 我们的做法：把大块原始记录从上下文里挪到次级存储，原地留一个引用。需要的时候顺着引用捞。上下文瘦身了，但可及性没丢。很多人说 Agent 「失忆」，其实卡在这一层——数据降级了，引用链没建好。
-
自进化就是在织一张查询图 迭代多了之后，常驻提示词里会慢慢长出一套覆盖所有历史数据的查询结构。不同 Agent 关心的东西不一样，一级记忆里留的东西也不同，但殊途同归：都得靠多级记忆加逐级引用，保证任何一条历史都够得着。
现在我们的版本我基本不碰人设词了，改历史数据反而是日常。如果你也在做类似的东西，建议别在 prompt 上雕花，先把历史数据的 schema 定好——这块前期偷的懒，后面全是还的。
有在做记忆系统的欢迎交流，几个坑（时间戳粒度、引用失效、投影时的相关性打分）我都可以展开讲。
Select Language