上下文管理解决了"当前对话中模型能看到什么"的问题，验证闭环解决了"模型的输出是否可信"的问题。但还有一个更隐蔽的问题：每次对话结束后，对话中产生的有价值信息去哪里了？
大部分系统的答案是：消失了。下一次对话，模型从零开始——不知道上次发现了什么 bug、不知道用户之前设置过什么偏好、不知道哪种 Prompt 写法效果更好。这不是 Agent 不够聪明，这是系统没有知识沉淀机制。
不是所有对话内容都值得保存。知识沉淀的第一课是区分"信息"和"知识"：
| 信息（一次性） | 知识（可复用） |
|---|---|
| 用户今天的查询 | 用户对某种问题的偏好处理方式 |
| 某次工具调用的返回值 | 某个 API 的常见错误模式及解决方案 |
| 本次对话的日志 | 某种场景下最优的 Prompt 模板 |
| 用户的一次抱怨 | 系统在某个边界条件下的行为缺陷 |
知识沉淀的目标是将右侧的"知识"提取出来，让它们在未来的对话中可以主动被使用。
知识沉淀不是一次性的工程活动，而是需要嵌入到 Agent 的日常运行中的持续流程：
知识沉淀的五步流程：
Step 1: 捕获（Capture）
在对话中识别出"值得保存"的信息
→ 触发条件：解决问题后、发现新坑后、做出决策后
→ 执行者：Agent 主动识别 + 用户标记
Step 2: 结构化（Structure）
将原始信息转化为标准格式
→ 问题描述 / 解决方案 / 适用场景 / 注意事项
→ 格式：结构化的文本或 JSON
Step 3: 存储（Store）
写入持久化存储
→ 短期：当前会话的记忆层
→ 长期：知识库、技能文件、配置文件
→ 需要索引以便后续检索
Step 4: 索引（Index）
建立可检索的索引
→ 关键词标签、场景标签、向量 Embedding
→ 确保在相似场景下可以被自动检索到
Step 5: 复用（Reuse）
在未来的对话中主动加载
→ 场景匹配时自动注入上下文
→ 用户明确查询时返回知识沉淀在工程实现上有两种模式，适用于不同场景：
Agent 在对话过程中自动识别并沉淀知识：
// 自动知识沉淀的触发逻辑
function checkKnowledgeOpportunity(conversation):
// 1. 问题解决后：用户说"解决了"、"搞定了"、"可以了"
if userExpressedResolution(conversation):
extract = callLLM("从这段对话中提取出解决问题的步骤")
saveAsPattern(extract)
// 2. 发现错误后：工具调用返回异常
if toolCallFailed(conversation):
error = conversation.lastToolError
if isNewError(error):
saveAsPitfall(error, conversation.solution)
// 3. 用户明确要求后
if userSaid("记住这个", "记下来", "以后注意"):
saveToMemory(conversation.lastExchange)用户或开发者在对话结束后主动沉淀知识。适用场景：
两种模式不是二选一，而是互补。自动沉淀负责捕获日常对话中的"小知识"（一个参数、一个偏好、一个注意事项），手动沉淀负责提炼周期性的"大知识"（一个工作流、一个架构决策、一个最佳实践）。
知识沉淀最大的挑战不是"怎么存"，而是"怎么维护"。一个不维护的知识库会迅速退化：
知识库健康度的三个指标：
覆盖率：知识库覆盖了多少常见的用户问题？
→ 不足 → 需要更多沉淀
准确率：知识库给出的建议有多准确？
→ 不足 → 需要清理过时条目
检索率：知识库中的条目被实际用到了多少？
→ 不足 → 需要更好的索引或剔除噪音知识沉淀的终极目标不是"建一个文档库"，而是让沉淀的知识自动影响系统的行为。
当知识条目的数量和质量达到一定阈值后，系统可以开始：
这就是 Harness 的"飞轮效应"——使用得越多，沉淀的知识越多；知识越多，系统越智能；系统越智能，产生更多可沉淀的知识。
知识沉淀的四要素：
1. 识别——区分"信息"和"知识"
× 用户今天的查询 → 一次性信息
✓ 用户偏好的处理方式 → 可复用知识
2. 提取——五步流程
捕获 → 结构化 → 存储 → 索引 → 复用
3. 维护——防止知识库退化
审计 × 度量 × 迭代 × 门槛
4. 进化——从文档到自动化
被动查询 → 主动提示 → 自动规避
知识沉淀不是一次性的文档工程，
而是 Agent 持续自我进化的燃料。
每一次对话都在为下一次对话积累势能。上下文管理让模型"看得到"，验证闭环让模型"靠得住"，知识沉淀让系统"长记性"。三根缰绳合在一起，才构成 Harness 的完整图景——不是让模型更聪明，而是让每一次交互都成为系统能力的一部分，而不是消耗在对话结束的那一刻。
💬 评论