核心结论：Agent 每跑一次任务都会产生「经验」——哪一步成功了、哪一步踩坑了、用户纠正了什么——但如果不存下来，下次还是从零开始，这就是「金鱼脑」。动态存储运行时经验，核心是四个动作：① 存什么（一条经验 = 场景 + 动作 + 结果 + 反思四要素）；② 什么时候存（任务成功、任务失败、人工纠正、偏好出现四个触发点）；③ 怎么提炼（多面向蒸馏：成功模式、失败触发、对比洞察，而不是把原始日志一股脑存进去）；④ 怎么复用（按场景检索，命中才注入上下文）。此外还要管好记忆生命周期（去重、合并、淘汰），否则经验库会变成垃圾堆。做完这四件事，Agent 才能从「每次都从头学」进化成「越用越顺手」。
目录
-
- 一句话结论
-
- 为什么 Agent 需要「存经验」：从金鱼脑到专家库
-
- 存什么：一条经验的四要素结构
-
- 什么时候存：四个触发时机
-
- 怎么提炼：多面向蒸馏（成功 / 失败 / 对比）
-
- 怎么存：结构化 + 场景索引
-
- 怎么复用：场景感知检索与注入
-
- 怎么维护：去重、合并与淘汰
-
- 完整可运行代码：一个运行时经验库
-
- 对照表：症状 → 原因 → 解法
-
- 判断收尾
1. 一句话结论
先建立一个直觉 🎭：Agent 存经验，就像「老师傅带徒弟时记笔记」——今天这个活儿怎么干成的、哪个坑差点踩进去，随手记一笔；下次遇到类似活儿，翻一眼笔记就少走弯路。不记笔记的师傅，干了十年还是干十年；记笔记的师傅，干一年顶三年。
所以整套机制就四步：
- 存什么：场景 + 动作 + 结果 + 反思（四要素）。
- 何时存：成功、失败、被纠正、偏好出现。
- 怎么提炼：蒸馏出「可复用的一句话」，不是存原始日志。
- 怎么用：按场景检索，命中才注入。
一句话：动态存储经验 = 把「这次怎么做的」压缩成「下次能用的规则」，按场景存好、按场景取用。
2. 为什么 Agent 需要「存经验」：从金鱼脑到专家库
先看「不存经验」的代价：
- 重复踩坑：同一个错误，今天犯了、明天还犯，因为没人告诉它「上次就是这么错的」。
- 重复摸索：同一个任务，每次都从零试错，明明上次已经找到最优路径。
- 学不会偏好：用户已经纠正过「不要用表格、要用列表」，下次照旧用表格，用户抓狂。
用类比 🎭：这就是「金鱼脑」——七秒记忆，永远活在当下。而存了经验的 Agent 是「专家库」——它记得「上次这种任务用 A 方案更快」「用户不喜欢输出太长」。
💡 我在Agent规则管理：让 Memory 做索引、让 Skill 存规则——上下文上限实测与分工方案里讲过「规则存哪」，本文聚焦「经验怎么在运行时动态产生并沉淀」——两者是「静态规则」与「动态经验」的关系。
3. 存什么：一条经验的四要素结构
关键认知：经验不能存原始日志，要存「结构化的一条」。一条好经验包含四要素：
| 要素 | 含义 | 示例 |
|---|---|---|
| 场景（context） | 什么情况下触发的 | 「用户要求处理 PDF 表格」 |
| 动作（action） | 做了什么 | 「调用 pdf-extract 脚本」 |
| 结果（result） | 成功还是失败 | 「成功，3 秒完成」 |
| 反思（reflection） | 为什么成/为什么败，下次怎么做 | 「PDF 超过 50 页要先分页，否则超时」 |
- 只有「动作 + 结果」是日志，加上「场景 + 反思」才是经验。
- 反思是灵魂：没有反思的经验，下次检索到了也不知道怎么用。
用类比 🎭：这就像「病例」——医生记的不是「今天看了个病人」（日志），而是「45 岁男性、胸痛、用 A 药有效」（结构化经验），下次遇到同类症状才有参考价值。
4. 什么时候存：四个触发时机
经验不是「每轮都存」，要在关键时刻捕获。四个触发点：
① 任务成功时：记录「这次怎么成的」——成功路径是宝贵经验。 ② 任务失败时：记录「哪里错的、为什么错」——失败教训比成功更值钱。 ③ 人工纠正时：用户改了 Agent 的输出——这是「最权威的经验」，一定要存。 ④ 偏好出现时：用户表达喜好（「以后都用简洁风格」）——存成偏好经验。
用类比 🎭：这就像「行车记录仪」——不是 24 小时全程录像（太占空间），而是在「急刹、碰撞、异常」时自动存一段（关键事件）。经验存储同理：在「有信息量」的时刻存，而不是全量存。
⚠️ 常见错误：把「每轮对话」全存进去——结果是几百条无差别日志，检索时全是噪音。存「事件」，不存「流水账」。
5. 怎么提炼：多面向蒸馏（成功 / 失败 / 对比）
存进去之前要先「提炼」，业界叫多面向蒸馏（multi-faceted distillation）：
- 成功模式：这次为什么成功？把成功路径抽象成一条规则。
- 失败触发：这次为什么失败？是工具选错、参数错、还是理解错？
- 对比洞察：如果同一个任务试了两种方案，记录「A 比 B 好在哪」。
ReMe 框架（Remember Me, Refine Me）把这事总结成一套记忆生命周期：蒸馏 → 场景自适应复用 → 记忆演进。
提炼的价值在于「压缩」：
- 原始日志可能有 50 行，提炼后是一句「PDF 超 50 页要先分页」。
- 这句话可复用、可检索、可注入——而 50 行日志只能占地方。
用类比 🎭：这就像「从错题本提炼错题规律」——不是把每道错题抄一遍，而是总结出「我总在立体几何上丢分，下次先画图」。规律比原题有用。
参考资料：
- Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution -- arXiv ⭐值得阅读
- Reflexion：语言强化学习与反思记忆 -- AI Insight ⭐值得阅读
6. 怎么存：结构化 + 场景索引
提炼完，落地存储要解决「怎么存得好找」：
- 结构化存储：按第 3 节的四要素存成 JSON / 表记录，而不是一段自由文本。
- 场景索引（scenario-aware indexing）：给每条经验打「场景标签」（如「pdf / 表格 / 长文档」），方便按场景检索。
- 多种后端：小规模用文件（如
experience.jsonl）；大规模用向量库（按语义检索）或数据库。
为什么必须「场景索引」？
- 经验的价值在于「下次遇到类似场景」才用得上。
- 如果只按「时间」存，检索时只能按时间翻——找到的都是「最近的经验」，不是「相关的经验」。
💡 存储的判据：能不能在「新任务来时，快速找到相关经验」。存得再全，检索不到等于没存。
7. 怎么复用：场景感知检索与注入
存了不用等于白存。复用分两步：
① 场景感知检索：新任务来了，按任务特征去经验库检索 top-k 相关经验。
- 小规模：按标签匹配（任务含「PDF」→ 召回 pdf 相关经验）。
- 大规模：向量检索（语义相似）。
- 关键：只召回相关的，不把整个经验库注入（否则上下文又爆了，见本专栏《Agent 上下文太长怎么办》）。
② 注入上下文：把召回到的经验拼成一段「过往经验」提示，放在任务描述前面。
- 格式示例：「【经验】处理 PDF 超 50 页时：先分页再解析，否则会超时。」
- 只注入「提炼后的一句话」，不注入原始日志。
用类比 🎭：这就像「考前翻错题本」——不是把整本练习册重读一遍（检索全量），而是翻到「这次考试相关的几道错题」（场景检索），看一眼规律就够。
8. 怎么维护：去重、合并与淘汰
经验库最怕「越存越乱」。三个维护动作：
- 去重（deduplication）：同一个经验反复出现，只留一条（或合并成「出现 N 次」）。
- 合并（consolidation）：多条相似经验合并成一条更高层的抽象（如「PDF 处理要分页」「PDF 解析要限时」→ 合并成「PDF 处理：分页 + 限时」）。
- 淘汰（eviction）：过时、错误、长期未命中的经验，定期清理。
ReMe 把这三件事归进「记忆生命周期管理」——记忆不是只增不减，而是要像生物一样新陈代谢。
用类比 🎭：这就像「衣柜换季」——只进不出，衣柜迟早爆炸；定期扔旧衣服（淘汰）、把类似的叠一起（合并）、避免重复买同款（去重），衣柜才能一直好用。
9. 完整可运行代码：一个运行时经验库
下面是一段复制粘贴就能跑的 Python 代码，实现完整的经验闭环：记录四要素 → 去重 → 按场景检索 → 注入上下文。运行无需第三方库。
import json
class ExperienceStore:
"""运行时经验库：记录、去重、检索、注入"""
def __init__(self):
self.experiences = [] # 经验列表（四要素）
def record(self, context, action, result, reflection):
"""记录一条经验（四要素），自带去重"""
exp = {
"scenario": context, # 场景：什么时候触发
"action": action, # 动作：做了什么
"result": result, # 结果：成功/失败
"reflection": reflection, # 反思：为什么、下次怎么做
}
# 去重：场景+反思相同则视为同一条，不重复存
for e in self.experiences:
if e["scenario"] == context and e["reflection"] == reflection:
return False # 已存在，跳过
self.experiences.append(exp)
return True
def retrieve(self, task, top_k=2):
"""场景检索：按任务关键词匹配场景标签，返回相关经验"""
hits = []
for e in self.experiences:
# 简化检索：任务词命中场景即算相关（真实场景用向量检索）
if any(word in e["scenario"] for word in task.split()):
hits.append(e)
return hits[:top_k] # 只返回 top-k，避免注入过多
def inject(self, task):
"""注入：把检索到的经验拼成上下文提示"""
hits = self.retrieve(task)
if not hits:
return "（无相关经验）"
lines = ["【过往经验】"]
for e in hits:
lines.append(f"- 场景[{e['scenario']}] {e['action']} → {e['result']}；"
f"反思：{e['reflection']}")
return "\n".join(lines)
if __name__ == "__main__":
store = ExperienceStore()
# 记录三条经验（成功、失败、被纠正各一）
store.record("处理 PDF 表格", "直接解析", "失败：超时",
"PDF 超 50 页要先分页，否则超时")
store.record("处理 PDF 表格", "先分页再解析", "成功：3 秒完成",
"分页是长 PDF 的关键")
store.record("生成周报", "用表格输出", "被用户纠正",
"该用户偏好列表，不喜欢表格")
store.record("处理 PDF 表格", "先分页再解析", "成功：3 秒完成",
"分页是长 PDF 的关键") # 重复，会被去重
print("经验总数（去重后）：", len(store.experiences)) # 应为 3
# 新任务来了：按场景检索并注入
task = "帮我处理这个 PDF 表格"
print(store.inject(task))
怎么读这段代码：record() 存的是第 3 节的「四要素」，并做了第 8 节的「去重」（第 5 条重复记录被跳过）；retrieve() 是第 7 节的「场景检索」——按任务关键词匹配场景，且只取 top-k（避免全量注入撑爆上下文）；inject() 把经验拼成一句句可读提示，正对应第 7 节「注入上下文」。跑一遍你会看到：4 条记录去重成 3 条，新任务只召回了 PDF 相关的经验——这就是「存得下、找得到、用得省」。
10. 对照表：症状 → 原因 → 解法
| 症状 | 原因 | 解法 |
|---|---|---|
| 同一个错误反复犯 | 失败经验没存下来 | 任务失败时记录「失败触发 + 反思」 |
| 同类任务每次从零摸索 | 成功路径没沉淀 | 任务成功时记录「成功模式」 |
| 用户纠正过，下次又犯 | 人工纠正没入库 | 被纠正时立刻存成经验 |
| 经验库越存越大、检索全是噪音 | 全量存流水账、没提炼 | 多面向蒸馏，存「一句话规律」 |
| 存了很多但用不上 | 没场景索引，检索不到 | 打场景标签，按场景检索 |
| 经验互相矛盾、越来越乱 | 只增不减、没维护 | 去重 + 合并 + 定期淘汰 |
11. 判断收尾
什么时候该建经验库：你的 Agent 会重复处理同类任务（多轮、跨会话、有稳定业务场景），且你希望它「越用越顺手」——这时经验存储是提升自动化的核心杠杆。什么时候可以不做：Agent 只做一次性、各不相同的任务，或每次都有足够上下文从零推理——这时存经验收益很低，反而增加维护负担。判断标准只有一条：同类任务会不会重复出现——会，就值得沉淀；不会，就别为「可能用得上」建一套系统。
本专栏《AI-Agent 工具》从 Agent 记忆、上下文、工具调用一路讲到知识挂载、经验沉淀与评测，每篇配可直接运行的代码，持续更新。想在做 Agent 产品时少踩坑，可在专栏页订阅。
参考资料（综合）：
