AI 笔记
把源码读透，把坑填平，再把方法留下来。
围绕 Agent、LLM 应用与 AI 基础设施的源码级拆解。每篇都尽量做到三件事：说清「为什么这么设计」、指出「对应哪个实现文件」、留下「可以复用的判断依据」。
当前主打专题 《TencentDB Agent Memory 记忆实现解析》（共 8 期）——从 L0–L3 分层记忆模型出发，逐层拆解记忆如何被记录、提炼、召回与注入，回答一个根本问题：怎么把「对话」变成「可复用的记忆资产」。
专题系列
TencentDB Agent Memory 记忆实现解析
- 第 1 期
记忆金字塔：为什么 Agent 需要四层记忆
本期回答一个根本问题：既然记忆就是一堆事实，为什么不直接存成一个列表？
- 第 2 期
L0 原始对话：忠实记录与增量捕获
本期拆解最底层：L0 是怎么把对话原样记下来的，以及它如何解决"重复记录"和"记录污染"两个工程问题。
- 第 3 期
L1 原子记忆：单次 LLM 的结构化抽取与去重
本期拆解 L1：L0 的流水账如何变成一张张"记忆卡片"，以及系统如何用两次 LLM 调用完成抽取与冲突消解。
- 第 4 期
L2 场景记忆：LLM 沙箱 Agent 维护的场景档案
本期拆解 L2：记忆卡片如何按情境归档成
.md场景文件，以及为什么"让 LLM 当 Agent 改文件"比"让 LLM 生成文本"更可靠。 - 第 5 期
L3 长期画像：Persona 的生成与维护
本期拆解金字塔尖：L3 如何从场景档案里提炼出"这个用户/团队是谁"的稳定画像，以及它为什么是四层里唯一"无条件注入"的一层。
- 第 6 期
召回与注入：记忆如何进入 Agent 上下文
本期拆解"读路径"：每次 LLM 请求发生时，L1/L2/L3 如何被召回、截断、并注入到提示词的不同位置。
- 第 7 期
异步提炼管线与整体系统架构
终期拆解"幕后"：L1→L3 的提炼为什么必须异步，任务如何被调度与容错，以及 MemoryCore / Knowledge / Proxy / Panel 四模块如何协作。
- 第 8 期
提示词工程：三层记忆的 Prompt 设置与工具约束
前七期讲了「每层做什么、怎么调度」，本期钻进最内核的一层：驱动 L1 / L2 / L3 的 Prompt 到底长什么样、每一段为什么这么写，以及系统究竟如何让 LLM 知道「该调什么工具、按什么格式、吐出什么内容」。