告别重复指令：利用Agentic Memory实现LLM持续学习，提升开发效率

大型语言模型（LLM）能够自动化处理研究和编码等多种任务。然而，一个普遍存在的问题是，每次与LLM交互都像是从头开始。完成一个任务后，下一次互动时，模型又回到了初始状态。

这是使用LLM时的一个主要痛点。大量时间被浪费在重复向模型传达指令上，例如期望的代码格式规范，或是根据个人偏好执行任务的具体方式。

这正是agents.md文件的价值所在：它为LLM应用持续学习提供了一种方法。LLM通过将可泛化的信息存储在一个独立的文件中，来学习用户的行为模式和偏好。每次开始新任务时都会读取该文件，从而避免“冷启动”问题，并有效减少重复指令。

本文将概述如何通过持续更新agents.md文件，为LLM实现持续学习。

本文将介绍如何为LLM应用持续学习。图片由Gemini生成。

为什么需要持续学习？

从一个全新的智能体上下文开始工作非常耗时。智能体需要了解用户的偏好，而用户则需要花费更多时间与智能体交互，才能让它精确执行所需任务。

例如：

• 告知智能体使用Python 3.13语法，而非3.12
• 要求智能体始终为函数标注返回类型
• 确保智能体绝不使用Any类型

通常需要明确告知智能体使用Python 3.13语法，这可能是因为其训练数据集中3.12语法更为普遍。

使用AI智能体的核心目的是提高效率。因此，不应将时间浪费在重复告知使用哪个Python版本，或禁止使用Any类型等基础指令上。

此外，AI智能体有时会花费额外时间去查询那些用户已经掌握的信息，例如：

• 文档表的名称
• CloudWatch日志的名称
• S3存储桶中的前缀

如果智能体不知道文档表的名称，它必须：

1. 列出所有表
2. 寻找听起来像文档表的表名（可能有多项候选）
3. 要么查询该表以确认，要么询问用户

此图展示了智能体为查找文档表名称所需进行的操作。首先，它必须列出数据库中的所有表，然后找出相关的表名。最后，智能体需要通过询问用户确认或查询表内容来确认其选择是否正确。这一过程非常耗时。相反，若将文档表名称存储在agents.md中，未来的编码智能体交互将高效得多。图片由Gemini生成。

这个过程非常耗时，但通过将文档表名称、CloudWatch日志和S3存储桶前缀等信息添加到agents.md中，可以轻松避免。

因此，需要持续学习的主要原因在于，重复指令既令人沮丧又浪费时间，而在使用AI智能体时，追求最高效率是首要目标。

如何应用持续学习

有两种主要方法可以实现持续学习，两者都重度依赖于agents.md文件。建议在每个工作代码库中都放置此文件：

1. 每当智能体犯错时，告知其如何纠正，并指示它将此信息记录在agents.md文件中以备后用。
2. 每次与智能体完成一次对话线程后，使用以下提示词。这能确保在整个对话中告知智能体的任何信息，或智能体自行发现的信息，都被存储起来供后续使用，从而大幅提升未来交互的效率。

请概括本次对话中的知识，并记住以备后用。
任何对未来交互、执行类似任务可能有用的信息，
都请存储在agents.md文件中。

应用这两个简单的概念，就能在实现LLM持续学习的道路上完成80%的工作，并显著提升工程师的工作效率。

---

最关键的一点是，要时刻牢记利用agents.md文件构建智能体记忆。每当智能体做出不符合预期的行为时，都应记得将纠正信息存入agents.md。

可能会担心agents.md文件会变得臃肿，从而导致智能体运行变慢且成本增加。然而，实际情况并非如此。LLM非常擅长将信息压缩到文件中。此外，即使agents.md文件包含数千字，在上下文长度和成本方面也基本不成问题。

前沿LLM的上下文长度可达数十万token，因此这完全不是问题。至于成本，使用LLM的成本甚至可能开始下降。原因是智能体将花费更少的token去查询信息，因为这些信息已经存在于agents.md中。

充分利用agents.md构建智能体记忆，既能加快LLM使用速度，又能降低成本。

补充技巧

这里还有一些处理智能体记忆时的实用技巧。

第一个技巧是，在与Claude Code交互时，可以使用“#”符号访问智能体记忆并添加记录。例如，在与Claude Code交互的终端中输入：

# 始终使用Python 3.13语法，避免使用3.12语法

随后会看到如下图所示的选择项。可以选择保存到用户记忆，该信息将存储起来，适用于所有与Claude Code的交互，无论身处哪个代码库。这对于通用信息（如始终为函数标注返回类型）非常有用。

第二和第三个选项是保存到当前所在文件夹或项目的根目录。这适用于存储文件夹特定信息（例如，仅描述某个特定服务），或存储关于代码库的通用信息。

此图展示了Claude提供的不同记忆选项。可以保存到用户记忆，使该记忆在所有会话和代码库中生效；也可以保存到当前项目的子文件夹，例如用于存储特定服务的信息；此外，还可以保存到项目根目录，使该代码库的所有工作都能获取此上下文。图片由作者提供。

另外，不同的编码智能体使用不同的记忆文件。

• Claude Code 使用 CLAUDE.md
• Warp 使用 WARP.md
• Cursor 使用 .cursorrules

然而，大多数智能体通常都会读取agents.md文件。因此，建议将信息存储在该文件中，这样无论使用哪种编码智能体，都能访问到智能体记忆。因为今天可能是Claude Code表现最佳，但明天或许会有另一款编码智能体脱颖而出。

AGI与持续学习

这里还需要补充关于AGI（通用人工智能）与持续学习的说明。真正的持续学习有时被认为是实现AGI的最后障碍之一。

目前，LLM本质上是通过将学到的信息存储到后续读取的文件（如agents.md）中来“模拟”持续学习。然而，理想的情况是LLM在学习新信息时能持续更新其模型权重，这类似于人类学习本能的方式。

遗憾的是，真正的持续学习尚未实现，但这很可能是在未来几年内会看到更多进展的一项能力。

结论

本文探讨了如何通过利用agents.md文件实现持续学习，从而成为一名效率更高的工程师。通过这种方法，智能体将逐渐熟悉用户的工作习惯、常犯的错误、常用的信息以及其他许多有用的细节。这将使得未来与智能体的交互更加高效。充分利用agents.md文件对于成为一名优秀的工程师至关重要，也是应该持续追求的目标。