一项真正进入业务流程的 Agent 任务，很少只有一个步骤。
它可能同时涉及信息整理、内容分析、条件判断和结果输出。任务越复杂，需要处理的上下文越多，单个 Agent 承担的职责也越容易混在一起：既要理解目标，又要规划步骤，还要调用不同能力完成每一部分工作。
与此同时，许多团队已经搭建了多个面向不同任务的 Agent 应用。它们各自具备清晰的职责，却往往以独立应用的方式运行。当一个复杂目标需要多个 Agent 共同参与时，如何拆解任务、组织分工并复用已有能力，就成了新的问题。
近期，红熊AI记忆科学 MemoryBear 社区版 v0.5.1 正式发布。本次版本新增 Supervisor Loop（即“主管 Agent 编排模式”），同时补齐记忆洞察、RAG 新写入一致性与知识库配置体验。
本次迭代的核心更新，正是让多 Agent 协作拥有一条更清晰的执行路径：
⦿ Supervisor Loop：让多个专业 Agent 围绕同一项复杂任务协作，已发布的 Agent 应用可直接接入为子 Agent。
⦿ 记忆洞察：让空间中的活跃记忆总量、类型分布与增长变化更加清晰。
⦿ RAG 与知识库：让多入口产生的新写入遵循更一致的规则，并在保存前检查知识库模型配置。
⦿ 运行与数据处理：继续优化模型调用、图谱任务调度和文档派生数据清理。
Supervisor Loop 是这一版新加进来的能力，也是本次更新的重心。
从一个 Agent 到一组专业协作者
Supervisor Loop 并不是简单地把多个 Agent 放到同一个页面里，而是为复杂任务增加一个负责组织协作的角色。主管 Agent 面向完整任务工作，根据目标自动拆解步骤，并调度多个专业子 Agent 参与协作。
这带来的变化，首先是职责边界更加清楚。单个 Agent 处理简单任务时，集中完成理解、执行和输出通常足够直接；但任务一旦包含多个环节，任务规划、专业处理和最终交付就混在同一条链路里。后续调整时，也更难判断该改哪一部分。
多 Agent 编排提供了另一种组织方式：不再要求一个 Agent 独自完成整条链路，而是把复杂目标分成多个适合专业处理的部分，由主管 Agent 统一调度。
举例来说，一项任务需要整理信息、分析内容并形成结构化结果。如果团队已经分别搭建了承担这些职责的 Agent，Supervisor Loop 可以让它们作为子 Agent 参与同一项任务。主管 Agent 负责拆解和调度，各个子 Agent 继续处理自身对应的部分。这不是单纯增加 Agent 数量，而是让已有能力形成分工。
已发布 Agent 可直接复用
Supervisor Loop 的另一项关键能力，是支持将已经发布的 Agent 应用直接接入为子 Agent，无需重复配置。一个已经承担明确职责的 Agent，可以继续保持原有形态，同时进入更大的协作流程。这让 Agent 应用拥有两种角色：既可作为独立应用完成单项任务，也可作为专业子 Agent 参与复杂任务。
业务目标发生变化时，需要调整的重点也从「重新做一个从头包到尾的 Agent」，转向「选择合适的专业 Agent，并组织它们之间的协作关系」。已有 Agent 越丰富，可被组合的专业能力也越多。
协作的重点是分工，不是堆叠
多 Agent 场景容易陷入一个误区：只要接入更多 Agent，任务能力就会自然增强。实际上，协作是否清晰，取决于完整任务能否被合理拆分，以及每个子 Agent 是否承担明确职责。Supervisor Loop 增加主管 Agent 这一层，正是为了让任务目标、执行步骤和专业分工处在同一套编排关系中。
从单 Agent 到多 Agent，变化的不只是执行主体的数量，更是复杂任务的组织方式。
记忆洞察：要持续积累，更要看得清楚
当 Agent 长期运行，记忆会随着交互不断积累。对空间管理员来说，仅知道「系统中存在记忆」还不够。还需要了解当前有多少活跃记忆、不同类型如何分布，以及一段时间内发生了怎样的变化。
v0.5.1 在数据概览中新增空间级活跃记忆总量与类型分布展示，把观察视角从单条记忆提升到整个空间。管理员还可以选择一段时间，查看记忆总量的逐日变化：当前规模回答「现在有多少」，类型分布回答「主要由什么构成」，时间趋势补充「这段时间如何变化」。空间首页的记忆容量分类等统计信息也调整为按日更新。
对于长期运行的 Agent 应用，记忆不是一次性写入的数据。空间级数据概览的价值，正在于把这种积累过程转化为可以持续查看的信息。
RAG 与知识库：写入一致，让配置先被检查
同一套记忆能力可能从多个入口进入应用：开发者通过 API 写入，也可以在 MCP、Agent 或 Workflow 场景中使用 RAG 记忆。入口越多，新写入是否遵循一致规则，越直接影响不同应用之间的体验。
v0.5.1 统一了这四个场景下的 RAG 记忆新写入规则。需要说明的是，本次调整只面向通过这些入口产生的新写入，不延伸为对既有数据的统一处理。各入口原本承担的角色也没有改变：API 仍面向程序接入，MCP 继续连接客户端与外部能力，Agent 与 Workflow 服务于应用构建。被统一的是写入规则，各入口仍保持各自的形态。
模型配置在保存前完成检查
创建或更新知识库时，系统会在保存前检查所选模型是否可用、是否适合当前用途。配置不符合要求时，页面给出提示，让问题在进入后续处理之前被发现。
同时引入分级默认配置：必需模型可采用系统默认配置，可选模型按需启用。前者减少初始配置步骤，后者保留组合空间。
v0.5.1 还更新了模型调用、图谱任务调度和文档派生数据处理。这些内容未必会在每次操作中显得格外显眼，却影响应用持续运行时的连贯性。
多 Agent 协作，需要一条连贯的基础链路
Supervisor Loop 在这一版更新里格外显眼。它让已发布的 Agent 可以作为专业子 Agent 继续复用，也让复杂任务从「由一个 Agent 从头做到尾」，转向「由主管 Agent 拆解并组织多个专业 Agent 协同完成」。
但多 Agent 协作并不只依赖编排界面。记忆能否被持续观察、不同入口的新写入是否保持一致、知识库配置是否清晰、模型和文档处理是否连贯，会直接成为协作体验的一部分。
△ Supervisor Loop 与记忆、RAG、知识库及运行能力之间的协作关系
因此，本次更新不是彼此孤立的功能清单：Supervisor Loop 负责组织分工，空间级数据概览呈现记忆的规模与变化，RAG 新写入规则连接四个入口。知识库配置检查减少初始设置中的反复确认，模型调用、图谱任务与派生数据处理继续完善日常运行链路。
这几组更新最终服务的是同一件事：让复杂任务拥有清晰分工，也让支撑协作的记忆、知识与模型能力保持连贯。
记忆，定义下一代智能。
