《Brainwash Your Agent: How We Keep The Memory Clean》
如何让你的AI代理“洗脑”般清晰记忆？三大实用技巧教你驱逐“上下文膨胀”，只留关键内容，剔除冗余信息，确保代理始终高效智能。
代理忘记信息？其实是你没好好管理它的“记忆”。CAMEL团队的核心秘诀——“上下文工程”，让开发者牢牢掌控代理的记忆优化，提升性能与效率。
上下文工程并不复杂，核心就是“只给代理必要的信息，其他一律剔除”。因为无用冗余信息会让代理“智能退化”，忘记关键细节，错误选择工具，甚至偏离指令目标。长上下文为何失败？这篇文章有深度解析。
本文重点分享CAMEL框架三大上下文优化技术：
1. 上下文摘要（Context Summarization）
当上下文窗口快满，或代理被“支线任务”干扰，摘要技术能提炼对话核心，删减无用信息，保持记忆清晰。CAMEL支持自动触发、手动调用和工具辅助三种摘要方式，且通过精心设计的摘要提示词，确保关键信息完整且准确——包括用户主请求、未完成任务、当前进展等。摘要还能为后续会话提供简洁回顾。
2. 工作流记忆（Workflow Memory）
例如让代理收集机器学习数学免费书籍列表，代理在过程中遇到困难但最终解决。工作流记忆会记录任务标题、目标、步骤、工具使用、故障及恢复策略等关键信息，为未来遇到类似任务时提供“经验总结”，避免重复“踩坑”，提升效率。加载工作流时，代理根据任务相关性筛选合适的记忆，避免用复杂的检索增强生成（RAG）技术，保持轻量和动态。
3. 工具输出缓存（Tool Output Caching）——谨慎尝试
工具调用的输出往往庞大且信息量巨大，留在上下文中极易造成膨胀。CAMEL尝试将大输出缓存到外部文件，只在上下文中保留摘要和引用ID，按需检索完整数据，理论大幅节省Token消耗。但此技术带来信息丢失风险和代理认知负担，可能导致代理忽略关键信息或误判是否需检索完整结果。该功能曾被撤回，正等待更完善方案重启。
未来展望：CAMEL团队将持续探索更多上下文优化方案，修复和完善现有技术，通过严格基准测试提升代理记忆表现。上下文工程作为极新领域，创新空间巨大，让代理变聪明不必靠更强LLM或更大算力，只需优化“记忆管理”，令人振奋。
欢迎开发者参与CAMEL开源项目，共同推动代理记忆技术革新，提升智能代理的实用价值。
🔗 www.camel-ai.org/blogs/brainwash-your-agent-how-we-keep-the-memory-clean
