常见压缩策略 参考Agent Scope 框架 对话摘要压缩 () 按消息条数或估算 token 触发,把对话前缀用一次 LLM 调用压成结构化摘要,保留尾部 N 条最近消息原文,然后把 写回 。 大工具结果卸载 () 跟摘要压缩独立。当某条工具结果文本超过阈值(默认 80K 字符 ≈ 20K tokens),把全文写到工作区某个目录,上下文里只保留首尾各约 2K 字符 + 一个 路径提示符。ag

什么是长期记忆 长期记忆是指 Agent 能够跨会话、持久化存储并按需检索的信息，用于跨会话的知识积累、个性化、用户画像等，具有长期价值，通常经过提炼、结构化，并可能用于检索增强（RAG）等机制。他的主要作用是： 个性化服务：记住用户偏好、历史行为、身份信息等。 知识积累：存储学到的经验、事实、操作流程等。 上下文扩展：通过检索补充短期记忆的不足。 持续学习：支持 Agent 在多次交互中不断优化

什么是Rag评估？ RAG 评估，就是用一套可量化的指标体系，持续测量 RAG 系统「回答得好不好」，并且能把「好不好」这个笼统的感受，拆解成具体是哪个环节出了问题。 目前主流的RAG评估体系通常分为以下三个核心维度： 检索质量 (Retrieval Quality) 主要看检索模块有没有把真正相关的文档找出来。如果这一步做不好，后续大模型再生成得再好也是“垃圾进，垃圾出”。常用的指标有上下文召回

一个大学生， 真的靠 AI 把网站做出来了 为了这个项目， 熬了很多夜，改了无数 Bug， 也烧了上亿 Token 现在，它终于正式上线： 「一亩三分学田」 一个面向学习、技术交流与内容分享的社区。 目前支持： 文章发布 评论互动 点赞交流 AI 技术探索 整个项目几乎都是边学边开发： 前端 AI 参与度 99% 后端 AI 参与度 85% 主要使用： Claude Code、GLM