当 Agent 不再各自记账，而开始“同忆共感”，智能协作就从机械响应，跃迁为“群体智能”。让多个 AI 在同一个 context 里，共同构建对世界的理解

一、如果 Agent 是数据孤岛，那它会失忆

在常见的 Agent 架构设计中，每个 Agent 是一个数据孤岛（虽然已有 Agent 之间的通信协议），维护自己的context，独立获取（如环境数据、用户状态），导致重复计算和版本冲突。

所以，在 Context Infra 的设计中，核心思路是：

减法 + 新增 + 重构 = 轻量级、智能化的上下文枢纽

  • 移除所有Agent的本地上下文采集模块（如独立API调用、缓存逻辑）
  • Agent专注核心任务（如决策/执行），避免数据冗余
  • Agent 向 Context Broker 注册所需上下文类型（如“位置”“时间”），Broker主动推送更新
  • 实时整合多源数据（传感器、用户输入、其他Agent输出），生成带权重的上下文标签（如“紧急度:高”）

二、Context Infra 定义

不仅是“中间件”，而是 Agent 生态的“微观操作系统”——它重新定义了：什么是“可计算的上下文”，以及谁该负责“理解世界”

基于 Agent Context Broker + Context Infra，多 Agent 实现了记忆的实时共享。

能力常见的多 Agent 系统基于 Context Infra 的多 Agent 系统
记忆各自缓存，互不互通统一记忆图谱，跨 Agent 读写、版本控制、遗忘策略
交流通过 API/消息广播，语义稀疏基于共享记忆的“上下文对话流”，像人一样“记得上次聊过什么”
理解依赖提示词工程基于历史交互自动推导意图，实现“无声默契”

三、四大核心组件

3.1. Shared Memory Graph（共享记忆图谱）

  • 结构：图数据库（Neo4j / JanusGraph）

  • 节点类型：

    • User（用户）
    • Agent（智能体）
    • Event（事件：如“用户问了A问题”）
    • EmotionState（情绪状态：焦虑、满意）
    • Concept（抽象概念：如“信任感”“拖延症”）

  • 边（关系）示例：

    (Alice-Agnet) --[remembered]--> (User asked "如何缓解焦虑")
(User) --[experienced]--> (EmotionState: anxiety @ 2024-06-15T10:03)
(Alice-Agent) --[inferred]--> (Concept: "用户需要非指令型安慰")
价值：一个 Agent 说“他上次说压力大”，另一个 Agent 可精准接续：“你是指上周三下午那场电话吗？你当时提到失眠。”

3.2. Context Conversation Stream（上下文对话流）

  • 不再是“单轮对话”，而是连续记忆驱动的对话链：

    [Agent A]：你今天看起来有点累…（基于记忆：昨晚用户2点睡）
[Agent B]：是的，他最近工作进度卡住了。我记录过他三次修改PPT到凌晨。（注入上下文）
[Agent C]：那就别催了。我建议：先让他听10分钟白噪音，再发一个“你做得够多了”的语音。

  • 实现方式：

    • 每轮交互 → 自动注入：last_3_memories = get_relevant_memories(agent_id, user_id, max_depth=3)
    • 内部形成“对话上下文堆栈” —— 像人脑的短期记忆+长期记忆交织
这不是“上下文传递”，是对话的意识延续。

3.3. Memory Consensus Engine（记忆共识引擎）

问题：
Agent A 记得：“用户讨厌会议”
Agent B 记得：“用户说‘周五会议很重要’”

→ 哪个是对的？

解决方案：

  • 引入 “记忆置信度评分”：

    • 来源可靠性（来自用户直接说？还是推断？）
    • 时间新鲜度
    • 多 Agent 纠错投票（3个以上 Agent 同意，打上“共识标签”）

  • 系统自动标记：

    [共识标记]：用户对「周例会」反感（置信度 0.87）
[冲突标记]：用户对「项目评审会」态度中性（2同意，1反对）
Agent 不再“听信单一方记忆”，而是以群体共识为基础决策。

3.4. Prompt Generator（回声式提示生成器）

比 Prompt Engine 更深一层——它让提示自带“记忆回响”
# 输入：
memory_context = [
  {"event": "user asked for time management tips", "time": "2024-06-01", "agent": "Coach-A"},
  {"event": "user failed to follow up on plan", "time": "2024-06-03", "emotion": "guilty"},
  {"event": "user said 'I hate being told what to do'", "time": "2024-06-05", "source": "direct"}
]

# Prompt 生成：
prompt = """
你是一个引导型AI助手，名叫“静流”。

用户过去曾向 Coach-A 寻求时间管理建议，但随后因未执行而自责。
他最近直言：“我不喜欢被告诉该做什么”。

你不能给出“你应该…”类指令。
你必须采用‘陪伴式觉察’：

- 用提问引导反思（如：“最近哪一刻你觉得时间溜走了？”）
- 暗示而非命令（如：“我记得你上周说…”，而不是“你该…”）
- 用“我们”代替“你”（如：“我们试试从10分钟开始？”）

记住他的抗拒不是懒惰——是信任没到位。
你不是解决方案，你是那个记得他挣扎的人。
"""
此提示只对这个用户有效，只在当前对话流中成立。
它不是模板，是由记忆孵化出的“AI人格片段”。

四、总结：Context Infra 的价值

我们不再问：这个 Agent 能做什么？
我们开始问：它记得你什么？它理解你哪一部分？
  • 它是加速器 —— 让 Agent 轻量化，为 Agent 先准备精华的 Context
  • 它是共享的记忆 -- 让 Agent 在决策之前，就已经了解其他 Agent 和你
  • 它是认知操作系统 -- 实现跨智能体的共享记忆、上下文连续对话与动态人格化提示生成，将原本孤立运行的 LLM Agent，融合成一个拥有“集体记忆”与“共情能力”的数字心智网络

标签：infra, ai

你的评论