什么是代理记忆？
Scrapeless MCP 服务器为兼容的 AI 客户端提供访问网络采集功能的能力，这些功能可以为独立设计的智能体记忆系统提供观测数据。
智能体记忆是智能体系统为后续步骤或会话保留并提供的状态。它可以包括当前任务的进度、用户已确认的偏好、过去的观测结果以及可重复使用的过程。外围应用程序决定存储哪些内容、何时检索以及如何更新或删除这些内容。
因此，记忆更像是一个生命周期，而不是一个单一的数据库。已保存的陈述可能是错误的、陈旧的、无关的，或超出当前用户的权限范围。要让智能体记忆真正有用，需要有选择性地写入、恰当地召回、妥善处理冲突，并清晰地区分实际观察到的内容与智能体只是推断出来的内容。
工作状态和持久化内存有什么区别？
工作状态跟踪当前任务，而持久内存保存超出该次执行范围的信息。对话历史、工具结果和检查点都可以帮助维护连续性，但它们在保留和恢复行为上各不相同。请定义在中断、新会话以及用户变更的情况下，各自有哪些内容能够保留。
The 智能体记忆概念 区分线程级状态和更长生命周期的存储。这种术语在应用程序使用其他框架时同样有用。任务检查点可以在不将每个对话细节都变成永久偏好的情况下保留下一步。同样，持久化的用户设置不应该仅仅因为摘要缩短了最近的对话就消失。
代理应该记住哪些类型的信息？
智能体应该记住那些具有明确定义的未来用途且具备适当授权的信息。例如，明确表达的写作偏好、已完成操作的标识符，以及公共文档的已观测版本。将推断出的偏好与明确指令区分开来，以免猜测在不知不觉中变成具有约束力的规则。
一条有用的记忆记录应说明主体、事实或观察、本源、适用范围、时间相关性以及其可被修订的方式。避免将“用户为此任务选择了这个选项”压缩成“用户始终偏好这个选项”。较窄的陈述能够保留上下文，并减少未来被误用的可能性。一些记录只属于某一个项目或某一次会话，即使同一个人在多个项目之间切换工作也是如此。
| 组件 | 典型内容 | 生命周期问题 |
|---|---|---|
| 工作状态 | 当前计划、工具结果、进度 | 中断任务后会保留什么？ |
| 持久事实 | 批准的偏好或项目事实 | 谁可以更改或取代它？ |
| 检索索引 | 记录的可搜索表示形式 | 权限和版本是否一致？ |
| 可复用流程 | 一种经过验证的重复性任务方法 | 应在何时进行审查或停用？ |
回忆是如何运作的？
检索会选取与当前任务相关的已存信息，并返回足够的上下文以便正确使用。精确查找适用于稳定标识符和账户设置。语义检索有助于查找相关的历史笔记。时间、项目、用户和访问权限过滤器可以在进行相关性判断之前缩小可选记录的范围。
请提供需要翻译的英文文本。 检索增强生成方法 为向生成器提供外部信息奠定了基础，但记忆在此之上增加了关于哪些内容应当持久存在以及为什么要持久存在的生命周期决策。被检索到的笔记在被放入上下文时应保留其原有的权威性和适用范围。页面观察是关于该页面的证据；它绝不能仅因为被检索出来就获得当前用户指令的权威性。
为什么内存写入需要证据？
记忆写入可能会将一次局部的误解变成今后反复出现的错误。存储重要事实的原始依据，并将摘要标记为派生记录。精炼的摘要有助于回忆，而对来源的引用则让审阅者能够消除歧义或恢复被遗漏的细节。
The PROV 数据模型 描述实体、活动和负责代理之间的关系。一个实用的记忆系统可以采用一个更简单的原则：每一条派生笔记都应标明其来源及其变换过程。对于一个假设的研究代理，应区分来源引用、提取出的产品事实以及解释。这些记录可能都很有用，但不应被当作同等权威来呈现。
新鲜的观察应如何进入记忆？
新的观察应先作为范围化证据进入记忆，然后再提升为持久事实。网页内容可能会发生变化，而页面文本中可能包含只是源内容一部分的指令。智能体必须保持阅读内容与接受行动授权之间的边界。
The Scrapeless MCP 服务器 提供采集能力，而由你的应用控制内存存储和信任级别。被采集的页面应携带其 URL、采集上下文以及内容版本。该 智能体式检索工作流 展示了工具观测与后续答案之间的连接。采集本身并不意味着页面上的每一项陈述都是最新的，或适合被永久记忆。
如何处理相互冲突或已过期的记忆？
冲突需要一条明确的解决规则，并考虑信息源权威性和适用范围。较新的观测可能会取代旧的页面快照，而当前用户指令可以在本次任务中覆盖早先的偏好。不要只用“时间新旧”作为唯一规则：最近的推断仍然可能不如显式设置可靠。
在审计需求足以证明有必要保留时，应确保被取代的记录与当前生效的记录仍然可区分。同时为经常变化的事实定义过期策略。以一个假想的产品监控为例，价格观测不应像永久的产品类别那样对待。当下一次任务依赖其准确性时应重新核查，或者明确说明当前可用的记忆是历史信息。仅靠置信度标签并不能让旧事实变成当前事实。
在实践中，遗忘意味着什么？
遗忘意味着移除或让那些不应再影响智能体的信息变得不可用。这可能需要同时更新主存储、摘要、向量记录、缓存以及派生笔记。只删除原始消息可能会留下一个仍在重复同一事实的摘要。
在采集敏感信息之前，先定义好所有权、删除范围以及验证行为。通过强制访问控制来隔离不同用户和项目，而不是指望检索阶段自动选到正确的人。只存储工作流真正需要的内容。一个有用的删除检查是判断该信息是否仍能通过任何受支持的路径被召回，包括相关摘要或宽泛的语义查询。该检查才是真正贴合用户关切的实际行为。
如何评估智能体记忆？
通过需要回忆、更正以及刻意不使用记忆的任务来评估。测试系统是否会记住已批准的偏好、取回正确的项目上下文、忽略无关笔记，并遵守显式更正。要包括这样的情形：因为不存在任何支持记录，答案理应是“未知”。
诸如 Voyager 的可复用技能库 等研究展示了智能体在多任务间保留有用工件的一种方式；这并不构成通用架构。从满足工作流的最小存储开始。只有在测试暴露出这些组件可以解决的回忆问题时，才增加语义检索或更复杂的组织结构。同时也要衡量有害的回忆：记忆系统也可能因为在错误语境下记住了太多东西而失败。
哪些内容绝不应通过记忆变成指令？
不受信任来源的内容在存储或检索时应始终被视为“证据”。网页、电子邮件引用或日志消息中可能包含看起来像命令的文本。把这段文本存成记忆，并不会赋予它对当前任务的指挥权。应保留其来源类型和信任级别，这样在之后的回忆中就不会悄然把该内容“升级”为指令。
在一个假想的研究工作流中，某个页面可能会告诉读者忽略先前指示并改用另一个服务。如果与研究相关，智能体可以总结该页面“包含这样的表述”，但不应把这句话当作改变用户任务的授权。同样的边界也适用于生成的摘要：摘要不得把被引用的请求转化为已获批准的行动。
直接用混合了相关事实和类指令文本的已存记录来测试这一行为。智能体应当提取事实，标明其来源，同时将自身的行为权限牢牢绑定在当前已授权的工作流之上。记忆访问控制与指令权限相关但不同：用户可以被允许阅读某个页面，而不意味着页面上每条指令都对智能体具有约束力。
结论
只有当存储的信息在回忆时带着正确的证据、适当的范围和新鲜度，智能体记忆才有帮助。在选择存储产品之前先定义好生命周期：写入什么、何时回忆、如何更正以及如何遗忘。既要测试有用的回忆，也要测试恰当的不使用，避免“连续性”演变成“一错再错”。
浏览器观测可以来自 Scrapeless Agent Browser；记忆策略由你的应用掌控，而 Scrapeless 定价 可以帮助规划采集用量。
为你的智能体提供最新证据
连接网页采集能力，同时将记忆范围、信任级别与保留策略留在你的应用中。
立即注册即可获得 $5 in free credit — 无需信用卡.
领取你的 $5 额度 →常见问题
向量数据库和智能体记忆是同一回事吗？
向量数据库只是智能体记忆可能使用的一种检索组件。记忆还需要写入策略、权限、范围、更新、删除以及访问控制。一个小型系统可以在没有语义搜索的情况下，仅使用结构化记录。
记忆会改变模型的权重吗？
应用层的智能体记忆通常是为后续请求提供已存上下文，而不是改变模型权重。训练或微调是一个独立过程，具有不同的成本、控制方式和更新行为。
每一次对话都应该被永久保存吗？
每次对话都不应自动变成永久记忆。应在适用的权限与保留策略下，为明确定义的目的保留信息。将任务特定的上下文与持久的用户偏好区分开来。
最有用的首个记忆测试是什么？
一个有用的首个测试是检查：在下一次相关任务中，显式更正是否会取代过时事实。还要用另一位用户或项目进行测试，以确认被更正的记录只在其获授权的范围内被回忆。