Agentic Memory 實踐：用 agents.md 實現 LLM 持續學習

LLM 能自動化研究、編程等各類任務，但有個惱人的問題：完成一個任務后，下次交互又得從零開始。每次都要重復告訴它代碼格式怎么寫、任務按什么偏好執行，時間就這么浪費掉了。

agents.md 文件可以讓 LLM 把可復用的信息存到單獨文件里學習你的習慣和模式。新任務開始時自動讀取這個文件，冷啟動問題沒了重復指令也省了。

本文會概述如何通過持續更新 agents.md 文件來實現 LLM 的持續學習。

為什么需要持續學習？

全新的 Agent 上下文意味著一切從頭來過，Agent 要重新摸清你的偏好你得花時間反復調教它。

比如要告訴 Agent 用 Python 3.13 語法別用 3.12，要求函數必須有返回類型，禁止使用 Any 類型等等。用 AI Agent 圖的就是快，不需要要反復交代 Python 版本、Any 類型這些事。

Agent 有時還會花時間去查你早就知道的信息：比如文檔表叫什么名字、CloudWatch 日志在哪、S3 存儲桶的前綴是什么。假如 Agent 不知道文檔表的名稱，它得先列出所有表，再從中找可能的候選項，最后要么查表確認，要么問你。這套流程下來時間就沒了。

這張圖片展示了 Agent 查找文檔表名稱時必須執行的操作。首先必須列出數據庫中的所有表，然后找到相關的表名。最后Agent 通過詢問用戶確認或在表中進行查詢來確認它找到了正確的表。這需要花費大量時間。如果可以將文檔表的名稱存儲在 agents.md 中，這樣可以在以后編程 Agent 的交互中更加高效。

把文檔表名稱、CloudWatch 日志、S3 前綴這些信息寫進 agents.md，這些時間就全省下來了。所以持續學習的核心訴求很簡單：重復指令既煩人又耗時，而我們用 AI Agent 就是要追求極致效率。

如何應用持續學習

最簡單的持續學習方法圍繞 agents.md 文件展開，建議每個代碼倉庫都放一個。兩個核心做法：

第一，Agent 犯錯時告訴它正確做法，并讓它把這條經驗寫進 agents.md。第二每次對話結束后用下面這個 prompt，讓 Agent 把對話中學到的東西歸納存檔，以后用得上：

Generalize the knowledge from this thread, and remember it for later.
Anything that could be useful to know for a later interaction,
when doing similar things. Store in agents.md

這兩招能讓你在持續學習這件事上完成 80% 的工作，工程效率會有明顯提升。

關鍵在于時刻惦記著 Agentic Memory。Agent 做了不對的事？立刻存到 agents.md 里。

你可能擔心 agents.md 越寫越長會拖慢 Agent、增加成本。其實不會，因為LLM 很擅長壓縮歸納信息，幾千字的 agents.md 根本不算什么。前沿 LLM 的上下文窗口動輒幾十萬 Token，完全裝得下。

所以成本方面可能反而會下降，因為Agent 不用再花 Token 去查那些已經寫在 agents.md 里的信息了。

重度使用 agents.md 進行 Agentic Memory 會讓 LLM 用得更快，成本更低

一些實用技巧

Claude Code 里有個便捷操作：在終端輸入 # 加內容就能直接寫入 Agent 記憶。比如：

# Always use Python 3.13 syntax, avoid 3.12 syntax

輸入后會彈出選項讓你選擇存儲位置。保存到用戶記憶，信息會跨所有倉庫生效，適合通用規則（比如函數必須有返回類型）。保存到當前文件夾，適合特定服務的配置。保存到項目根目錄整個倉庫都能讀到。

這張圖片突出顯示了在 Claude 中擁有的不同記憶選項。可以選擇保存到用戶記憶中將記憶存儲在你的所有會話中，無論是哪個倉庫。此外還可以將其存儲在你所在項目的子文件夾中，例如存儲關于特定服務的信息。最后還可以將記憶存儲在項目根文件夾中，這樣與該倉庫的所有工作都將擁有該上下文。

不同編程 Agent 用的記憶文件不一樣：Claude Code 用 CLAUDE.md，Warp 用 WARP.md，Cursor 用 .cursorrules。

但 agents.md 基本上所有 Agent 都認的文件名，所以我建議把信息往 agents.md 里寫，這樣不管用哪個編程 Agent 都能讀到。畢竟今天 Claude Code 最強，明天說不定換別家了。

AGI 與持續學習

真正的持續學習有時被認為是 AGI 的最后幾道門檻之一。現在的 LLM 本質上是用文件（比如 agents.md）來模擬持續學習——把學到的東西存下來，下次讀取。理想狀態應該是模型在學習新信息時直接更新權重，就像人的本能那樣。

真正的持續學習還沒實現，但這應該是未來幾年會有突破的方向。

總結

想成為更高效的工程師，用好 agents.md 做持續學習是一條捷徑。Agent 會逐漸學會你的習慣、記住你常犯的錯誤、熟悉你常用的信息，后續交互越來越順暢。我認為重度使用 agents.md 是成為優秀工程師的必備技能，值得持續投入。

https://avoid.overfit.cn/post/7e3796a1a0214e1984037d8deee4a44f

作者：Eivind Kjosbakken