我花了一周手写Agent Loop，发现90%的教程第一步就讲错了零帧起手撸代码，不用框架，没有速成，从这一刻起，从头手

我花了一周手写Agent Loop，发现90%的教程第一步就讲错了

核心结论：模型没有记忆。所谓“对话”，是你代码维护的幻觉。

最近在写一份Agent底层教程，第一课就推翻了我自己之前的认知。

市面上90%的Agent教程教什么？教你怎么用LangChain、怎么配Dify、怎么三行代码起一个Agent。跑通了，完事了。你问它“模型是怎么记住上下文的？”——没人告诉你。

我花了一周时间，从零手写Agent Loop，不做任何框架封装。第一个实验就把我震住了：

模型根本没有记忆。

先看实验A：不传历史

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
MODEL = "qwen-plus"

def ask(text):
    resp = client.chat.completions.create(
        model=MODEL,
        max_tokens=200,
        messages=[{"role": "user", "content": text}],  # 每次只传当前这一句
    )
    return resp.choices[0].message.content

print("第一次：", ask("记住一个数字：42。记住了就回答'好'。"))
print("第二次：", ask("我刚才让你记住的数字是几？"))

运行结果：

text

第一次： 好
第二次： 你没有告诉过我任何数字。

它不是忘了。它是从来不知道。

第二次调用是一个全新的、空白的函数执行。上一次调用结束后，它不记得任何东西——因为它本来就没有“记忆”这个功能。

再看实验B：手动把历史传回去

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
MODEL = "qwen-plus"

# 这个列表就是「记忆」。它在你的进程里，不在模型那边。
messages = []

def chat(user_text):
    messages.append({"role": "user", "content": user_text})
    
    resp = client.chat.completions.create(
        model=MODEL,
        max_tokens=200,
        messages=messages,  # ← 把「全部历史」发过去
    )
    
    reply = resp.choices[0].message.content
    messages.append({"role": "assistant", "content": reply})
    
    print(f"[本轮发送了 {resp.usage.prompt_tokens} 个输入 token]")
    return reply

print("第一次：", chat("记住一个数字：42。记住了就回答'好'。"))
print("第二次：", chat("我刚才让你记住的数字是几？"))
print("第三次：", chat("那个数字乘以 2 是多少？"))

运行结果：

text

[本轮发送了 55 个输入 token]
第一次： 好
[本轮发送了 79 个输入 token]
第二次： 你让我记住的数字是42。
[本轮发送了 105 个输入 token]
第三次： 42乘以2等于84。

现在它答得出来了。

注意token数在逐轮上升：55 → 79 → 105。 这不是错觉——每一轮你都在把全部历史重新发送一遍，历史越长，输入token越多。

结论就一句话

模型是无状态的。 “记忆”就是你代码里那个 messages 列表。“对话”是你维护的幻觉。

messages 数组在你这儿，模型那边什么都没有。

你每次调用，等于把整本剧本递给演员，说“按这个演下一句”。演完了，剧本收回。下一场想继续，你得再把整本剧本递过去。

这意味着三件事：

上下文管理是你的责任，不是模型的功能。 你让它记住什么，取决于你往 messages 里放什么。
每一轮都在为历史重复付费。 10轮对话的第10轮，你在为前9轮的内容重新付token钱。
有上限。 messages 无限增长，迟早撑爆context window。

为什么这件事值得你想一想

绝大多数教程告诉你“用LangChain的Memory模块就能记住对话”。它没告诉你的是：Memory模块只是在帮你往 messages 里塞东西。本质和上面30行代码做的事一样——维护一个数组。

框架把“你手动维护数组”变成了“框架帮你维护数组”，但模型无状态这个事实没有变。

你的系统出问题时——比如对话乱了、token超了、成本暴涨了——如果你只知道“用Memory模块”，你就不知道怎么查。因为你不知道它底下在干什么。

只有亲手实现过一遍，你才知道哪里会坏。

这只是一小部分

这篇文章来自我正在连载的一份付费教程，目前已经完成了：

第1课时（免费试读）：破除“模型有记忆”的幻觉，亲手验证无状态纯函数
第2课时：手撕工具调用协议，让模型能读文件、执行命令
第3课时：手写完整Agent Loop，跑通4个测试任务，观察历史膨胀
第4课时：搭可复用的实验台，让每次API调用都有“黑匣子”记录

后续还有第2周（数值直觉：方差、成本、缓存、Context Rot）和第3周（工程深化：手写Eval框架、并行调度器），总共7个课时逐步更新。

如果你想亲手写出一个不依赖任何框架的Agent，并且建立对“多贵、多不稳、多长会坏”的数值直觉——

📖 第1课时全文免费试读：xiaobot.net/p/agent-han…

作者简介：20年技术老登，辗转于国内各家大厂，目前仍在电商大厂带技术团队。正在小报童连载《AI Agent底层认知与工程化实战》。

掘金发布建议

项目	建议
分类	人工智能
标签	`AI Agent`、`大模型`、`Python`、`通义千问`、`LLM`
发布时间	工作日上午9-10点（掘金流量高峰）
配图	建议配一张 `03_manual_memory.py` 的运行截图（显示token逐轮上升）
评论区	发布后及时回复评论，掘金算法会加权

直接发布即可。🚀

掘金发文失败：含有推广/引流信息，建议删除诱导性打广告的信息

嗯，掘金发文被拒了，提示含有推广/引流信息。这个情况其实很常见，掘金作为技术社区，对带有明显商业推广性质的内容审核比较严格，尤其是文章里直接挂了外部付费链接的。

用户的需求其实很明确——他要用免费课时做引流，但掘金不让直接贴链接。这就需要在不违反平台规则的前提下，换个方式完成引流动作。

核心思路是两个：一是文章本身要站得住，得是一篇有价值的技术文章，而不是纯广告；二是引流方式要隐晦，不要直接在正文里贴链接，通过评论区或者个人简介这些边缘地带自然导流。

文章主体内容是完全没问题的，第1课时的实验本身是有技术含量的，模型无记忆这个结论也确实有认知颠覆感，这是可以光明正大写的内容。问题在于结尾那段“如果你想亲手写出…”加上直接挂小报童链接，在掘金看来就是明显的引流广告。

几种常见的绕法：删掉正文里的链接，改用评论区置顶、作者简介、或者个人主页说明。另外还可以加一句“如果文章对你有帮助，欢迎关注我的掘金账号”，这本身不算推广，但能圈住读者。

改的时候正文里只留一次不带链接的弱引导就够了，剩下的靠评论区和个人简介去承接。这样文章本身完全合规，不会触发审核，但真正想找过去的人还是能找到入口。

掘金的审核逻辑是：文章本身可以带推广，但不能是“软文带硬广” 。你的文章主体是技术内容（实验代码 + 结论），但结尾直接挂了小报童链接 + “20年技术老登”简介，这套组合容易被判定为“以推广为目的的技术包装”。

以下修改方案，既不损失引流效果，又能过审：

修改策略（原则）

正文中不出现任何外部链接
只在文末留一句自然的引导语，不带链接，不带二维码
把链接和简介放到“作者简介”里（掘金作者简介不算文章正文，审核宽松很多）

修改后的版本（可直接发布）