11 月 6 日,Anthropic 发了一篇工程博客 The components of agent memory[1],用一组实验讲透了 Agent 怎么跨会话积累经验,写得非常好。这个话题老冯一直很关心。今年我写过好几篇关于 Agent 的文章,多次聊了这个问题:

老冯的判断是:Agent 的机会不在于 Agent 本身,而在于它运行的环境 —— Agent Runtime;Agent 本身没有壁垒。

不过那时候我手里只有日常干活的体感,没有硬数据。Anthropic 这篇文章表面上聊的是“记忆”,但读完不难发现,他们跑出来的数据,恰恰站在了“环境”这一边。

一、Anthropic 说了什么

先说结论:记忆的关键不在怎么存,而在记什么。会记的模型,只记环境里看不到的东西。

这个结论最直接的证据,来自他们跑的宝可梦实验。Sonnet 3.7 一边玩一边记,狂写了 413 个文件、近百万字符的笔记,最后只拿到 1 枚徽章;而 Fable 5 只写了 9 个文件、四万多字符,却拿下了 4 枚。

核心差别在记了什么。Sonnet 3.7 见什么记什么,连屏幕上本来就看得到的状态也往本子上抄,抄着抄着状态就过时了。Fable 5 的原则正好相反:屏幕上看得到的一概不记,只记屏幕给不了的东西——策略、计划,以及验证过的规则。虽然两个模型差了好几代,放在一起比不算严格控制变量,但指出的方向非常清楚。

打开网易新闻 查看精彩图片

那这种“挑着记”的本事从哪来?另一组实验给出的答案是:来自模型自己。挂上同一套记忆机制,Opus 5.5 在 CL-Bench 上的得分从 0.655 涨到了 0.838,而 Sonnet 4.6 只从 0.330 微涨到 0.364。强模型懂得把规则、证据和踩过的坑串在一起记下来,弱模型却只会堆砌一堆未经验证的猜测。反过来,如果你非要给强模型立规矩——比如硬性规定“只许记录失败”——记忆带来的收益反而会缩水。

衍生结论就是:现在这些所谓记忆框架,可能都是昙花一现的临时玩意。因为只有模型本身才知道应该记什么,记哪些。它完全可以直接对接 FS/DB 设计任何自己想要的结构,不需要画蛇添足的先验。

最后一个问题:记错了怎么办?有一局宝可梦里,Agent 记错了一条路线,结果在月见山里死磕了三圈,最后只能放弃。Anthropic 的解法叫 dreaming(做梦):离线回放原始日志,把写错的笔记改掉,再把碎片整理成互相链接的 Wiki。等把那条写错的路线改过来,原来卡死的路一下就走通了。

打开网易新闻 查看精彩图片

整篇文章串起来逻辑很简单:记什么交给模型自己挑,只记环境给不了的;万一记错了,就拿原始日志出来对账。

二、记忆是环境的补集

“只记环境里看不到的东西”,这句话反过来念就是:记忆是环境的补集。 环境能直接告诉你的,根本不用记;环境本身越可读,Agent 需要背在身上的记忆就越少。

对这句话,我是有的。

今年 1 月老冯上线过一个 。我当时根本没去搭什么 harness,也没写一行 Python 代码,更没接任何记忆中间件。全身上下就一个简简单单的 agents.md 文件:把我整个丢进去,再告诉它环境里的监控在哪、数据库在哪、密码怎么拿、出了问题去哪看。

就这么一个文本文件,DBA Agent 就直接上线了。

是不是有点滑稽?但这还真不是糊弄,现在很多用户就是这么拿到生产环境里用的,实际效果远超他们的预期。之前我在《》那篇文章里晒过后台数据,老冯文档站的请求量暴增,其中 全来自这些 Agent。

打开网易新闻 查看精彩图片

它为什么不需要复杂的记忆系统?说白了,所有 Agent 的问题的核心,最后都会变成 问题。 老冯在之前 里就讲过,做 Agent 第一重要的事,永远是如何设计 Context。这就像你开一家公司,要搭组织架构、拆分工作职责,你真正要设计的是一套运转规则——说白了就是“立法”,创造秩序:工具在哪、边界在哪、能干什么、不能干什么。

设计环境,就像开一家公司:要搭组织架构、拆分工作职责,你真正要设计的是一套运转规则——说白了就是“立法”,创造秩序:工具在哪、边界在哪、能干什么、不能干什么。

当这套环境高度可读、规矩全部立好之后:,操作全部收敛在命令行里,规范和参数都明明白白写在文档里。Agent 拎包入住就行,留给它记的,只剩下“这家客户有什么特殊怪癖”和“”——给它配个小记事本就绰绰有余了。反过来,要是把它丢进一个里,它就得拼命拿本子记“昨天改过什么参数”、“哪台机器磁盘快满了”。

打开网易新闻 查看精彩图片

记得越多,错得越多,只要错上一条,就是又一座走不出去的月见山。

所以真正有壁垒的,是这套设计好的上下文环境。

三、环境是真正的壁垒

有壁垒的从来不是 Agent,而是运行时环境本身。

老冯一直觉得,很多做纯 Agent 创业的公司全是在瞎扯淡。因为 Agent 这一层根本留不住任何壁垒,很快那点东西就被模型厂商消化吸收了。

想靠自研 harness 建壁垒?路边一条做得过 Claude Code、Codex、Pi、Hermes 这些 harness 吗?退一步不卷通用框架,去卷垂直领域的 Data Agent、Law Agent 行不行?照样没戏。

在所有的 Agent 里面,Coding Agent 是最难的皇冠明珠。 因为写代码是一种通用的元技能——它的本质就是“发明工具来解决问题”:如果现有的工具解决不了问题,它就当场写代码造一个工具来解决。

那你凭什么认为,自己拍脑袋、先验设定出来的那套死板流程,能比一个会自己造工具的 Coding Agent 干得更好?你的什么记忆框架在数据库里建的记忆 Schema,就比模型自己按需生成的更好?这个概率同样趋近于零。

老冯那个 DBA Agent,就是 Codex 或者 Claude Code,加一份 agents.md,跑在 Pigsty 的环境里。垂直的部分全在环境里,不在 Agent 里。

在 agents.md、SKILL.md 里攒下的那些精妙小技巧与 know-how,说到底只是思路。著作权只保护表达,不保护思路,用不了几个月,这些技巧就会被洗进下一代大模型的训练语料里,被底层模型直接吸收消化。

那么,什么是有壁垒的?Agent 运行的环境。强龙不压地头蛇:通用大模型和 Coding Agent 是过江的强龙。那份 agents.md 只是一张地图,没有任何壁垒,谁都能抄,但抄过去没用,因为它指向的那块地抄不走:600 多个扩展在 16 个发行版上的构建流水线、高可用和 PITR 的环境、那套完整的监控基础设施。地头蛇的本钱,不是手里的地图,而是脚下那块地皮。

这也是 Personal Agent 和 Personal Computer 2.0 最近这么火的原因:给 Agent 配一台自己的电脑,就是给它一块自己的地皮。既然壁垒在环境,那环境的底子该怎么打?Anthropic 后半篇正好给了一份踩坑清单。

四、拿着锤子找钉子

Anthropic 在后半篇列了不少工程难题,基本都出在“做梦”和 Wiki 维护上。但在老冯看来,这些全是数据库领域早就解决掉的老问题:

打开网易新闻 查看精彩图片

再退后一步看它的整体架构:,是;笔记和 Wiki 是物化视图;而所谓的“做梦”,本质上就是离线批处理加上 VACUUM。

当然,老冯是做数据库的,手里拿着锤子,看什么都像钉子。这把锤子我也确实抡了大半年——从《》、《》到《》,好几篇文章都在讲同一个判断:Agent 记忆的终局是数据库。

但这大半年自己真刀真枪用下来,我发现有数据库还没到那一步,反而 是 Agent 的刚需。

五、Markdown 与 Wiki

Anthropic 自己的测试数据就印证了这一点。他们让 Agent 通过“做梦”,把一大堆原始语料整理成互相链接的 Wiki,然后去测答题准确率:只搜原始语料是 53%,只看 Wiki 是 48%,而把两者结合起来,准确率直接涨到了 61%,平均每道题还能省下约 2 万个 token。是地基,这是数据库的活;但在地基上面叠一层,效果才最好。

打开网易新闻 查看精彩图片

这个 Wiki 是什么?说白了,就是一堆良好组织,互相链接的 Markdown 文件。

“做梦”是很贵的。Anthropic 整理那份 Wiki 花了上亿 token,按最高档粗算,得被提问几千次才能回本。让每个野生的 Agent 各自去做梦,这账怎么算都亏;但如果我们,,这笔账就非常划算了。

这也是为什么老冯最近花了不少时间做 。表面上看,它是一个文档框架,但你也可以把它理解为一个基于 Markdown 的 Wiki 知识库。我手上每开一个开源项目,都会标配一套这样的 Wiki。

我现在写代码也是这么干的,我管它叫 SDD(Spec-Driven Development,我更愿意叫它文档驱动开发):把所有核心知识集中沉淀在项目的 Wiki 里。这比放任 Agent 在项目的 docs、research notes、reports 目录里随地大小便要好太多了。那些散落一地的笔记没人整理、互相矛盾、版本错位,攒到最后,全是一堆等着爆雷的“月见山笔记”。

我虽然没有像 Anthropic 那样专门跑基准测试、做定量分析,但日常干活的体感非常明显:把这套规矩立起来之后,AI Engineering 的实际效果要好上太多。

结语

回到开头那个问题:Agent 的壁垒到底在哪?

老冯认为,真正的壁垒在于可复制的,秩序井然,高信息密度的上下文环境。对于 Data Agent 来说,你精心准备的分析师指南 Skill 不是壁垒,但每个字段都写满准确详情注释的数据库 Schema / Catalog 是壁垒。对于 DBA Agent 来说,你的 SOP 手册不是壁垒,提供完整监控系统与 IaC / CLI 管理工具的环境,是是壁垒。

记忆是环境的补集。最好的上下文管理,就是让环境准备好一切上下文,让 Coding Agent 自己来探索。谁拥有这样的环境,谁就是那条地头蛇。

广告时间:Pigsty (https://pigsty.cc),为你的[2] Personal Agent 提供一个自主可控的数字家园。
参考

•The components of agent memory[3],Anthropic,2026-11-06•,2026-01•,2026-03•,2026-04•OpenAI hires OpenClaw creator[4],Tom's Hardware

References

[1] The components of agent memory: https://www.anthropic.com/research/components-of-agent-memory
[2]: https://pigsty.cc)
[3] The components of agent memory: https://www.anthropic.com/research/components-of-agent-memory
[4] OpenAI hires OpenClaw creator: https://www.tomshardware.com/tech-industry/openai-hires-genius-openclaw-creator-but-popular-ai-assistant-will-remain-open-source-sam-altman-says-creator-will-work-on-smart-agents-in-new-role