作为一个基于Deep Agents框架的无代码平台，它主要面向非技术用户，帮助他们实现日常工作流的自动化。在最初阶段，开发团队就决定将重心放在记忆功能上。

近期，LangChain团队正式推出了LangSmith Agent Builder，并重点强调了其集成的“记忆”能力。为什么这项功能会被置于如此核心的地位？它背后的技术架构是怎样的？在开发过程中又有哪些核心经验？本文将带你一探究竟。

什么是 LangSmith Agent Builder？

作为一个基于Deep Agents框架的无代码平台，它主要面向非技术用户，帮助他们实现日常工作流的自动化。在最初阶段，开发团队就决定将重心放在记忆功能上。

“与ChatGPT、Claude或Cursor不同，LangSmith Agent Builder并非一个通用型的AI Agent。”

因为它主要执行重复性的定制化工作流，能够“记住过去的指令”对于提供顺畅的用户体验至关重要。

团队在设计时，参考了COALA框架中定义的三种记忆类型：程序性记忆（决定行为的规则）、语义记忆（事实性知识）以及情景记忆（过去的行为序列）。

虚拟文件系统：记忆的底层架构

为了充分发挥AI模型处理文件结构的优势，系统将知识表示为由Postgres数据库支持的虚拟文件系统（也可以使用S3或者MySQL）。这种设计允许机器人无缝地读取和修改其自身的指令。

它们依赖像 AGENTS.md 这样的标准格式来存储主要指令，并通过专门的技能文件来保存语义事实。

在连接外部服务时，系统使用了一个自定义的 tools.json 文件，而不是标准的 mcp.json。这样做的目的是限制工具的访问权限，防止超出大模型的上下文窗口限制。底层的Deep Agents负责处理那些复杂的上下文任务，让用户只需通过简单的指令来引导机器人。

目前的架构已经成功地覆盖了程序性和语义性记忆的需求，不过在初期版本中尚未包含情景记忆功能。

文件系统中的记忆长什么样？

以一个内部的LinkedIn招聘机器人为例，它的文件系统结构非常清晰：包括一个主要的指令文件、一个用于候选人寻源的子Agent文件夹、一个连接MCP（模型上下文协议）的工具配置tools.json，以及AI主动管理和不断更新的各个候选人的独立文档。

记忆是如何编辑的：一个具体例子

这个系统最强大的地方在于，它会在长期的交互中“有机地”完善自身行为。

比如，如果用户在第一周要求使用“项目符号”而不是长段落进行总结，机器人就会直接更新自己的配置文件。到了第二周，它便会自动应用这条新规则。

几个月后，系统将自主积累出一份庞大而详尽的格式偏好、参与者角色以及边缘情况清单。

“AGENTS.md 文件是通过在日常使用中不断地纠正构建起来的，而不是依靠人工预先撰写的详尽文档。”

开发过程中的血泪教训

在构建这个系统的过程中，团队遇到了不少挑战：

• 提示词优化是最大难关 - 团队投入了大量资源去解决AI“记错细节”或“将文件格式弄乱”的问题。
• 严格的Schema验证 - 因为AI偶尔会生成格式损坏的文件，所以必须在底层引入严格的格式校验。
• 泛化能力不足 - 虽然AI在添加“新规则”时表现出色，但在“合并或泛化”现有规则时却显得有些吃力。
• 安全与防御 - 为了抵御提示词注入攻击，系统默认要求在更新文件之前必须经过人工的明确批准（高级用户可选择关闭）。

这一切带来了什么？

将知识作为标准文件来处理，为非程序员提供了一个高度可扩展且易于访问的接口。它极大地简化了迭代创建过程——操作者可以通过自然语言对话来微调AI设置，全程无需编写任何代码。

同时，这种基于文件的方法也确保了创建出来的Agent配置在不同AI框架之间具有极高的可移植性。

未来的发展方向

团队计划在未来的版本中进行多项重磅增强。首先是通过赋予AI访问历史聊天记录的权限，来正式引入“情景记忆（Episodic recall）”。

此外，他们还希望实现自动化的后台任务来定期整合积累的知识，添加专门的“反思（Reflection）”命令，引入语义搜索功能，并将记忆的存储范围扩展到覆盖用户和整个组织层级。目前，LangChain团队也在积极招聘开发者，以进一步扩展这些令人兴奋的AI能力。