本文是JiuwenSwarm系列技术博客的第四篇。上一篇我们看到自演进机制如何让Agent越用越聪明，而这一切的前提，是系统得先「记得住」。本篇拆解JiuwenSwarm的记忆引擎和上下文工程：它如何跨对话持久记忆，如何在有限的上下文窗口里装下长任务，又如何在多 Agent 团队里共享记忆而不打架。

往期回顾

1. openJiuwen

2. JiuwenSwarm：智能体学会“养蜂”，从单兵作战到兵团作战

3. JiuwenSwarm的协同工程范式：从「调教一只」到「编排一群」

4. JiuwenSwarm自演进机制：让蜂群越用越聪明

让Agent越用越聪明，有个前提：系统得先 "记得住" 用过的经验。这篇就来拆解这个前提背后的两套机制：记忆引擎和上下文工程。

它要回答三个问题：Agent如何跨对话持久记忆，如何在有限的窗口里装下长任务，又如何在多Agent团队里共享记忆而不打架。

一、两个方向相反的压力：记得住 vs 装得下

长程任务里，Agent同时被两股相反的力拉扯。

一方面，它需要 "记得住"：跨对话、跨会话地保留决策、偏好和经验教训，不能每开一个新对话就失忆。今天聊清楚的项目背景，明天不该从头再交代一遍。

另一方面，它又得 "装得下"：上下文窗口是有限的，长对话、大工具返回、长文件很快就能把窗口撑爆。聊到第 50 轮，早期信息被截断，Agent开始忽略前面说过的关键细节。不是模型记性差，是token窗口有上限，而对话历史在线性增长。

这是两个相关、但本质不同的痛点。JiuwenSwarm把它们分开处理：记忆引擎负责"记得住"，上下文压缩卸载负责"装得下"。 两者共享同一个设计哲学：把上下文和记忆都当成模型之外、需要被工程化管理的资源。

这套设计的有效性有据可查：在长期对话记忆权威评测集LOCOMO上，JiuwenSwarm用 8B 模型就实现了 85%的准确率，优于业界主流记忆系统。下面一层层看它是怎么做到的。

二、记忆系统总览：文件即真实数据源 JiuwenSwarm的记忆系统通过一个配置项控制四种工作模式：仅内置（默认）、仅外接、两者并存、全部关闭。 内置记忆有一个很关键的设计取向，叫 "文件即真实数据源"：记忆用纯Markdown文件存储，Agent通过标准文件工具（读、写、编辑）直接操作，没有额外的存储层抽象。这些文件分三层： • 长期记忆文件：存决策、偏好、持久事实，极少变动； • 用户档案文件：存姓名、职业、位置等个性化信息； • 每日日志文件：追加写入，对话过长需要总结时自动触发。 用文件而非黑盒数据库做真实数据源，意味着记忆是人可读、可审计、也可以手工编辑的。文件可以直接打开看、直接备份、直接分享。这恰好接住了整个框架"可控、可驾驭"的取向。 记忆没有用"一种走天下"的做法，而是按场景分了三类。 • 内置记忆：负责Agent模式下的通用对话记忆，通过读写记忆文件来操作。 • 经验记忆（Task Memory）：从历史任务中检索和记录经验教训，避免重复犯错。用法上有两个约定：任务开始时检索可复用的经验，最终回复前把本次关键发现和失败教训记录下来，记录失败的工具调用尤其有价值。经验记忆可配三种检索算法：默认的嵌入相似度、推理增强型（适合复杂推理链）、反思型（侧重从错误中学习）。 • 编码记忆（Coding Memory）：则在 Code 模式切换时自动启用，用架构、缺陷修复、模式等标签分类存储代码经验。

三、记忆怎么写进去：三条互补路径

记忆的写入不是单一入口，而是三条路径并行。

第一条是会话内即时写入。 Agent在对话过程中主动调用文件工具写记忆。决策和偏好进长期记忆文件，用户信息进用户档案，日常笔记进当天日志。这是最直接的一条，覆盖"用户明确要求记住"和"Agent 判断应该记住"的信息。

第二条是Dreaming睡时整理。 这个设计很有意思。很多信息散落在对话历史里，单看不值得记，汇总起来却很有价值。Dreaming就做这件事：它是一个后台离线机制（默认关闭），由编排器周期性触发LLM扫描历史会话，像人睡觉时整理白天的记忆一样工作。Agent模式下提取用户偏好、背景，写入整理文件（最多 50 条）；Code模式下提取调试根因、接口边界行为、设计决策，按内容去重写入。

Dreaming的工程细节透着一股"不打扰"的克制：默认 4 小时触发一次、启动后 120 秒首次扫描，Agent正忙着处理请求时会退避跳过，并用断点记录已处理的会话做增量扫描，避免重复劳动。

第三条是Agent Swarm团队协同提取。 在多Agent团队里，Leader在每个协作轮次结束后自动提取团队记忆。这条路径牵出团队场景的特殊设计，下文专门展开。

四、记忆怎么读出来：混合检索引擎 记忆存多了，"怎么找回最相关的那条"就成了核心问题。JiuwenSwarm用的是混合检索：全文检索与语义检索两条腿走路。 全文检索做关键词精确匹配，无需额外配置；语义检索按意图模糊召回，需要配嵌入模型。系统默认两者结合，用一个加权公式合并分数：向量得分占七成，全文得分占三成。 这个七比三的默认权重透露了设计倾向：以语义召回为主、关键词匹配为辅。 道理也直白。用户很少精确记得"上次说的那句话原话是什么"，更多是"我们聊过关于XX的事"。语义检索抓得住"意思相近但用词不同"的记忆，全文检索则保留了精确命中的能力。 承载这套检索的核心组件是共用索引层，基于SQLite，包含全文索引表和向量索引表。它负责记忆持久化，用文件监控机制异步更新索引，并按需读取以保持上下文精简。嵌入模型通过环境变量配置，不配则退化为纯文本检索。除了内置，还支持外接多种服务：本地长期记忆、云端事实抽取、字节上下文数据库，以及自定义插件。

五、团队记忆：多Agent怎么共享而不打架

到了多Agent团队场景，记忆冒出一个新难题：多个成员同时读写，怎么不冲突、不串味？

JiuwenSwarm的答案是双层记忆架构。

• • 个人记忆由每个成员独占读写；
• • 团队记忆则对所有成员只读，由Leader在每个协作轮次末通过专门的提取Agent自动写入。

提取的内容用四类标签分类：决策类（为何选A不选B）、经验教训类（什么有效、什么导致返工）、成员特长类（谁擅长什么）、项目背景类（业务约束、截止日期）。

"只读 + Leader统一写入"是这里的关键防冲突设计。 团队级记忆只有一个写入者，从根上杜绝了多成员并发写带来的污染。隔离机制还做了三道：跨团队隔离（团队名进路径和索引键）、跨成员隔离（每人独立索引实例）、临时团队只读不写（不污染源记忆）。临时团队任务完成后不留痕，持久团队的记忆则由Leader跨轮次累积。

六、上下文压缩卸载：在有限窗口里装下长任务 记忆解决"记得住"，上下文压缩卸载解决"装得下"。文档给的比喻很形象：像"整理办公桌"。桌面（上下文窗口）堆满时，把"大而次要"的东西归档进抽屉，桌面上只留一张索引便签。 它不是无差别压缩，而是按条件触发的。两个阈值是OR关系：消息数超过上限（比如 3 条），或token数超过上限（默认 20000）。触发后的策略是选择性归档：用"大消息阈值"来界定哪些内容值得优先处理，用"消息角色过滤"来决定只压缩哪类消息。典型配置是只压缩工具返回的冗长数据，保留用户和助手的核心对话。 这套设计的关键在于"选择性"和"可检索"两点。它不会粗暴砍掉旧消息，而是优先归档"大而次要"的工具返回；归档后还留一个索引标记，需要时能把内容再捞回来。两个保护机制兜底：强制保留最近若干条消息不被压缩，确保最新一轮完整对话完整保留。 在中文政务这类场景里，这套机制还能进一步适配：对高频政务术语设保护词表、对政策原文保留更完整上下文，对"收到""已阅"这类重复通信做更大胆的过滤。

七、工程底座：挂在生命周期上的一组Rail

把视角拉回Rail机制会发现，上下文和记忆的能力，同样是挂在DeepAgent生命周期上的一组Rail。

• • 静态提示词由一个扩展版的提示词构建器管理，按身份、安全、技能、工具、记忆、上下文等分区组织；
• • 动态内容由提示词附件管理器按会话和分区存储，以独立消息注入（适合长文件、心跳、记忆召回）。

上下文侧有两条Rail：一条负责注入工作区结构、上下文文件和工具列表，另一条负责压缩长对话、卸载大工具结果、修复不完整的调用。记忆侧则是三条Rail：通用长期记忆Rail、项目记忆Rail（向量和BM25混合检索，注入最相关的五条）、外部记忆Rail（预取、同步、熔断）。

换句话说，记忆和上下文管理不是外挂功能，而是从架构层面就编织进Agent生命周期的能力。

八、小结：记忆让它"记得住"，卸载让它"装得下"

JiuwenSwarm的上下文与记忆引擎，说到底是在"有限窗口"和"无限任务"之间架了一座桥：

• • 记忆引擎用"文件即真实数据源"加三类记忆、三条写入路径和混合检索（语义七成、关键词三成），让Agent跨对话记得住；
• • 团队记忆用"只读 + Leader 统一写入"的双层架构，让多Agent协作时记忆共享而不冲突；
• • 上下文压缩卸载用"选择性归档 + 可检索索引"，让Agent在有限窗口里装得下长任务。

记忆让它越用越懂你，卸载让它在长任务里不失忆。 两者合起来，才撑得起前几篇讲的长程任务、多Agent协作和自演进。而要把这些任务真正有条不紊地推进，还需要一套任务规划系统，那是下一篇的主题。

更多JiuwenSwarm信息，请参见官网：

• 官网地址：https://www.openjiuwen.com/

• AtomGit: https://atomgit.com/openJiuwen

PS：

更多Agentic AI技术前沿分享，欢迎扫描下方二维码进入技术交流群（或者添加群助手ID：qstarsky 邀请您进群交流）

Agentic AI

立即扫码

参考资料

1. 1. 官网地址：https://www.openjiuwen.com/
2. 2. AtomGit: https://atomgit.com/openJiuwen
3. 3. openJiuwen官方文档：https://openjiuwen.com/docs-page?path=%E4%BA%A7%E5%93%81%E7%AE%80%E4%BB%8B