LangSmith Agent Builder引入文件式记忆系统提升无代码代理效率

背景

LangSmith Agent Builder 是基于 Deep Agents 框架的托管式无代码代理平台，面向技术门槛低的开发者和业务人员。平台的目标是让使用者通过简单配置即可创建专注于单一任务的智能代理，例如邮件助理或文档检索工具。早期产品调研发现，用户在多轮交互中频繁重复同样的指令或偏好，导致体验受限。为此团队决定在平台核心加入记忆系统，以实现“记一次、用多次”。

记忆系统设计

记忆被抽象为一组文件，利用 LLM 对文件系统的天然亲和力，实现读写无需额外工具。主要文件包括：

• AGENTS.md：核心指令集，定义代理的行为规则（对应 COALA 中的 Procedural memory）。
• skills/ 目录：存放任务专用的技能文件，承载语义知识（Semantic memory）。
• tools.json：自定义工具清单，限制可用工具以防上下文溢出。

这些文件实际存储在 Postgres 中，平台以“虚拟文件系统”形式向模型暴露，使模型能够像操作本地文件一样更新记忆。该设计兼容 S3、MySQL 等后端存储，具备高度可插拔性。

实际案例：LinkedIn 招聘助手

一个内部构建的 LinkedIn 招聘代理展示了记忆系统的工作流。

1. 初始化：AGENTS.md 只包含“总结会议要点”。
2. 第一轮交互：模型输出段落式摘要，用户纠正为要点式并让模型编辑 AGENTS.md。
3. 后续交互：模型读取更新后的 AGENTS.md，自动使用要点格式并提取行动项。
4. 长期迭代：随着使用，记忆文件累积了会议类型区分、常见参与者角色、格式偏好等信息，代理在新任务中无需再次指示即可遵循既定规则。

构建经验与挑战

• 提示工程是关键：记忆表现的好坏往往取决于提示的设计，团队为记忆专门配置了全职提示工程师。
• 文件校验：skills、tools.json 等文件拥有严格的 Schema，平台在生成后自动验证并将错误返还给 LLM，防止无效文件写入。
• 记忆压缩：模型倾向于不断累加细节，导致文件膨胀。通过显式的 /remember 指令或后台批处理，对记忆进行抽象与压缩，提升后续检索效率。
• 人机审查：所有记忆更新均需人工确认，以降低提示注入攻击风险，亦提供可选的 “yolo 模式” 供风险容忍度低的场景使用。

未来展望

当前系统覆盖了 Procedural 与 Semantic 两类记忆，Episodic 记忆仍在规划中。团队计划将历史对话以文件形式暴露，让模型在需要时检索完整会话链；并引入后台任务每日汇总、语义搜索等功能，以实现更高级的知识抽取与通用化。除此之外，还将探索用户层、组织层记忆的层级划分，让不同代理共享或隔离记忆空间。

LangSmith 的记忆系统展示了将传统文件操作与 LLM 能力深度融合的可行路径，为无代码智能代理的可扩展性与可维护性提供了新范式。