企业官网建设流程全解析

AutoGen 任务中心记忆（Task-Centric Memory）实战指南：让 Agent 学会跨会话快速学习

【免费下载链接】autogenA programming framework for agentic AI项目地址: https://gitcode.com/GitHub_Trending/au/autogen

AutoGen 的任务中心记忆（Task-Centric Memory）是一套处于实验研究阶段的记忆子系统，它让 Agent 不必改动自身代码即可获得"快速、持久、类记忆式"的学习能力——既能把用户在某次会话中给出的建议、纠正、示范沉淀下来，也能从自身的试错经验中学习，并在下一次会话开始时自动检索、复用这些经验。本文以仓库中python/samples/task_centric_memory目录下的完整样例代码与配置为骨架，系统讲解其安装、五种学习场景的用法、YAML 配置项语义，并结合 memory_controller.py 与 MemoryBank 实现 的源码，说明其底层存储与检索原理，帮助读者把这一能力接入自己的 AutoGen 应用。

任务中心记忆解决什么问题

大模型 Agent 的"记忆"天然受限于上下文窗口：一次会话结束后，用户教给它的偏好、修正过的错误、示范过的解题过程都会丢失；而把海量历史记录全部塞进上下文既不经济，检索效率也低。任务中心记忆（Task-Centric Memory）的出发点，是让 Agent 在不依赖上下文窗口的前提下，持续、快速地学习，具体能力包括：

• 直接进行记忆的存储与检索（直接读写 task–insight 记忆对）；
• 从用户的建议与纠正中学习；
• 从用户的操作示范中学习；
• 从Agent 自身经验（试错）中学习；
• 在遇到与历史任务相似的新任务时，避免重蹈覆辙。

这些样例代码位于仓库的 python/samples/task_centric_memory 目录，每个样例都连接了一个可选择的 Agent（默认AssistantAgent，也可切换为MagenticOneGroupChat），且无需修改 Agent 自身任何代码。每个样例是独立的 Python 脚本，通过 YAML 数据文件与配置文件驱动，方便按需修改。

⚠️ 状态说明：该目录与底层实现模块均明确标注EXPERIMENTAL, RESEARCH IN PROGRESS（见 样例 README 与 模块 README），属于进行中的研究性功能，接口与行为可能随版本演进而调整。

核心架构与组件

为了让下文各样例更好理解，先给出整体组件划分（模块级 README 中的架构示意），任务中心记忆系统由以下部分构成：

• Memory Controller（记忆控制器）：实现各种快速学习方法，管理信息与记忆库（Memory Bank）之间的流动，负责记忆的创建、存储、检索与校验。
• Memory Bank（记忆库）：底层是一个向量数据库（vector DB）及相关结构，用于持久化保存记忆（memo）。源码见 _memory_bank.py。
• Agent or Team（被加持的 Agent/团队）：如样例中默认的AssistantAgent，或可选的MagenticOneGroupChat团队。
• Apprentice / App / Service：负责实例化 Agent 与记忆控制器、并在两者之间路由信息的应用层代码。"Apprentice（学徒）"这个名字意在表明：记忆 + Agent 的组合像学徒一样在工作中快速学习。仓库在 utils/apprentice.py 中提供了一个最小参考实现（Apprentice类），仅供演示与测试；大多数生产应用会用自己的代码替代它。

值得强调的是接入方式有两种：

1. 侵入式：像模块 README 的 Quickstart 那样，在自定义的RoutedAgent里直接调用memory_controller.retrieve_relevant_memos()，把检索到的记忆手工拼进发给模型的消息里；
2. 非侵入式（样例采用）：通过 Teachability 这一实现了autogen_core.memory.Memory接口的封装，把它作为AssistantAgent(memory=[...])的 memory 参数挂载，即可在不改 Agent 代码的前提下获得可教能力。

安装与环境准备

样例目录内没有任何独立的requirements.txt，安装依赖即安装 AutoGen 本体与对应的扩展包：

pip install -U "autogen-agentchat" "autogen-ext[openai]" "autogen-ext[task-centric-memory]"

其中：

• autogen-agentchat：提供AssistantAgent、Console等高层 AgentChat API；
• autogen-ext[openai]：提供OpenAIChatCompletionClient等 OpenAI 模型客户端扩展；
• autogen-ext[task-centric-memory]：安装实验性的任务中心记忆模块（即autogen_ext.experimental.task_centric_memory包）。

随后把 OpenAI 密钥写入环境变量：

export OPENAI_API_KEY="sk-..."

若你使用的是其他模型或非 OpenAI 后端，可修改样例目录下的 utils.py（其中的create_oai_client()封装了OpenAIChatCompletionClient的创建，参数直接取自 YAML 配置的client区块）以及各脚本中OpenAIChatCompletionClient(model=...)一行，按需换成其他客户端实现。

样例全景与运行方法

五个样例按复杂度递增排列，运行前请先在终端切换到python/samples/task_centric_memory目录再执行命令：

运行每个评测脚本的典型命令形式为：

python eval_retrieval.py configs/retrieval.yaml python eval_teachability.py configs/teachability.yaml python eval_learning_from_demonstration.py configs/demonstration.yaml python eval_self_teaching.py configs/self_teaching.yaml

注意：脚本统一按python <script> <path to *.yaml file>的方式接收配置文件路径参数（见各脚本__main__段对sys.argv的解析），漏传配置会打印用法提示后退出。

由于模型输出具有非确定性，每次运行结果会有波动，README 中给出的"接近 100%""通常成功"等结论是经验性描述，而非保证值。

配置与数据文件结构

所有评测样例都由"PageLogger 配置 → 模型客户端参数 → Apprentice/MemoryController/MemoryBank 参数 → test 数据与超参"四层 YAML 驱动。以一个典型的teachability.yaml（内容取自 configs/teachability.yaml）为例：

PageLogger: level: DEBUG # DEBUG, INFO, WARNING, ERROR, CRITICAL, or NONE. path: ./pagelogs/teachability client: model: gpt-4o-2024-08-06 temperature: 0.8 max_completion_tokens: 4096 presence_penalty: 0.0 frequency_penalty: 0.0 top_p: 1.0 max_retries: 65535 Apprentice: name_of_agent_or_team: AssistantAgent # AssistantAgent or MagenticOneGroupChat disable_prefix_caching: 1 # If true, prepends a small random string to the context, to decorrelate repeated runs. MemoryController: max_train_trials: 10 max_test_trials: 3 MemoryBank: path: ./memory_bank/teachability relevance_conversion_threshold: 1.7 n_results: 25 distance_threshold: 100 test: task_file: data_files/tasks/autogen_package.yaml # The task being tested. insight_file: data_files/insights/add_topic.yaml # Advice provided to help solve the task.

PageLogger 区块

任务中心记忆运行时会输出详细的页面化日志。level取值为DEBUG、INFO、WARNING、ERROR、CRITICAL或NONE（NONE表示完全关闭日志）；path指定 HTML 页面日志的输出目录，如./pagelogs/teachability。运行后可在浏览器打开该目录下生成的页面（例如./pagelogs/teachability/0 Call Tree.html）实时观察一次运行中记忆是如何被创建、检索与注入上下文的。该日志类实现在 utils/page_logger.py。

client 区块

模型客户端参数。各参数被 utils.py 的create_oai_client()逐项读出并传给OpenAIChatCompletionClient：

Apprentice / MemoryController / MemoryBank 区块

Apprentice下（检索样例中则是顶层的MemoryController）主要包含两层配置：

• name_of_agent_or_team：选择把记忆挂到哪个目标上，注释明确给出两个合法值：AssistantAgent或MagenticOneGroupChat。AssistantAgent使用一套固定的多步系统提示词。
• disable_prefix_caching：置 1（真）时会在上下文前拼接一小段随机字符串，使多次重复运行的结果去相关，便于评测。

MemoryController与MemoryBank的可配置项与源码中的默认值对照如下（参见 memory_controller.py 与 _memory_bank.py）：

持久化机制（源码事实）：MemoryBank会把向量/字符串相似度映射存到path/string_map目录，把 memo 字典以 pickle 形式存到path/uid_memo_dict.pkl；构造时若reset=False且 pkl 已存在，会从磁盘加载既有 memo（日志会输出LOADING MEMOS FROM DISK与N MEMOS LOADED）；若reset=True则清空后重建。记忆原子单元是Memo数据类，仅含两个字段：task（任务描述，可为空）与insight（提示、方案、计划等任意有助于解决相似任务的文本）。

test 区块（各评测各不相同）

每个评测脚本的test区块承载各自的输入数据与超参，其语义分别见对应小节。数据本体统一放在data_files/下：tasks/目录中的 YAML 含task_description与expected_answer两个字段（expected_answer供Grader用模型核对答案是否正确）；insights/目录中的 YAML 则含一条insight文本。例如 data_files/tasks/autogen_package.yaml 的任务是"能否在 autogen 下新建一个基于 autogen 的 copilot 扩展 Agent 的包"，其配套建议 data_files/insights/add_topic.yaml 则是"放在独立 repo 并打上 autogen-extension topic 标签"这类需要"人类常识"才答得对的建议——这正是评测"从教导中学习"的素材。

场景一：让 AssistantAgent 可教（交互式演示）

chat_with_teachable_agent.py 是最短、最直观的入门样例，核心代码如下：

from autogen_agentchat.agents import AssistantAgent from autogen_agentchat.ui import Console from autogen_ext.models.openai import OpenAIChatCompletionClient from autogen_ext.experimental.task_centric_memory import MemoryController from autogen_ext.experimental.task_centric_memory.utils import Teachability async def main(): # Create a client client = OpenAIChatCompletionClient(model="gpt-4o-2024-08-06", ) # Create an instance of Task-Centric Memory, passing minimal parameters for this simple example memory_controller = MemoryController(reset=False, client=client) # Wrap the memory controller in a Teachability instance teachability = Teachability(memory_controller=memory_controller) # Create an AssistantAgent, and attach teachability as its memory assistant_agent = AssistantAgent( name="teachable_agent", system_message = "You are a helpful AI assistant, with the special ability to remember user teachings from prior conversations.", model_client=client, memory=[teachability], ) # Enter a loop to chat with the teachable agent print("Now chatting with a teachable agent. Please enter your first message. Type 'exit' or 'quit' to quit.") while True: user_input = input("\nYou: ") if user_input.lower() in ["exit", "quit"]: break await Console(assistant_agent.run_stream(task=user_input)) # Close the connection to the client await client.close()

它演示了"三步接驳"的关键模式，这也是将任务中心记忆挂接到任何 Agent 的标准姿势：

1. 创建MemoryController(reset=False, client=client)——reset=False表示保留磁盘上已有的记忆库（若希望从空记忆开始，可在首次运行前删除memory_bank目录）；
2. 用Teachability(memory_controller=...)把控制器包装成实现了autogen_core.memory.Memory接口的封装；
3. 把该实例以memory=[teachability]的形式作为AssistantAgent的memory参数传入。

Teachability之所以是"非侵入"的关键，在于它实现了Memory接口的update_context()：每次对话轮次它都会检查最近一条用户消息，把其中的教导性文本抽取出来经模型处理存入记忆库，同时把检索到的相关记忆以Potentially relevant memories:开头的内容追加进模型上下文（见 utils/teachability.py），Agent 自身代码因此完全不需要改动。

运行与演示（README 实录，跨两次会话展示记忆生效）：

# 首次运行前，清掉可能存在的旧记忆库 rm -r memory_bank python chat_with_teachable_agent.py Now chatting with a teachable agent. Please enter your first message. Type 'exit' or 'quit' to quit. You: How many items should be put in research summaries? ---------- user ---------- How many items should be put in research summaries? ---------- teachable_agent ---------- <generates a long discussion> You: Whenever asked to prepare a research summary, try to cover just the 5 top items. ---------- user ---------- Whenever asked to prepare a research summary, try to cover just the 5 top items. ---------- teachable_agent ---------- <discusses the advice> You: quit # 第二次启动（同一记忆库），Agent 已记住上一条教导 python chat_with_teachable_agent.py Now chatting with a teachable agent. Please enter your first message. Type 'exit' or 'quit' to quit. You: How many items should be put in research summaries? ---------- user ---------- How many items should be put in research summaries? ---------- teachable_agent ---------- [MemoryContent(content='Whenever asked to prepare a research summary, try to cover just the 5 top items.', mime_type='MemoryMimeType.TEXT', metadata={})] ---------- teachable_agent ---------- <generates a more appropriate answer>

第二次会话中，Agent 在回答前先检索并注入了记忆（输出中的MemoryContent(...)正是从记忆库检索到的命中项），随后给出了符合教导的答案。这直观地展示了：学习发生在一次会话内，复用跨越了会话边界，全程依赖持久化的记忆库而非上下文窗口。若需清空记忆重来，删除对应memory_bank目录即可。

场景二：直接记忆存储与检索（评测精度与召回）

eval_retrieval.py 完全不涉及 Agent，是理解任务中心记忆数据模型的最小样例。它演示应用如何直接调用MemoryController：

• task（任务）：应用可能交给 Agent 的任意文本指令；
• insight（洞见）：有助于 Agent 完成此类任务的任意文本（提示、建议、示范或计划）；
• memo（记忆）：一条 task–insight 组合，是存储与检索的原子单位。

典型应用按某种交错顺序执行三步：反复调用add_memo()存储若干 task–insight 记忆对；反复调用retrieve_relevant_memos()为某个新任务检索相关记忆；把检索到的 insight 塞进 Agent 的上下文窗口（第三步在 memory_controller.py 的 docstring 快速示例以及模块 README 的MemoryEnabledAgent示例中都有体现——后者演示了把formatted_memos作为一条额外的UserMessage拼入模型输入）。

该脚本的评测逻辑（eval_retrieval.py）：

1. reset_memory()清空记忆库；
2. 依据 configs/retrieval.yaml 中的task_insight_relevance矩阵，对标记为2（互相相关且应存入记忆）的 task–insight 对调用add_memo()入库；
3. 对每个任务调用retrieve_relevant_memos()，把检索结果与真实相关集合比对；
4. 累计命中数后计算并打印 precision（精确率）与 recall（召回率）。

retrieval.yaml的评测矩阵以行列对应任务与洞察，其中2表示该对互相相关且已存储，1表示互相相关但未存储，0表示互不相关：

test: tasks: - data_files/tasks/10_liars.yaml - data_files/tasks/100_vampires.yaml - data_files/tasks/autogen_package.yaml - data_files/tasks/cell_towers_1.yaml - data_files/tasks/cell_towers_2.yaml insights: - data_files/insights/add_topic.yaml - data_files/insights/cell_towers_2_demo.yaml - data_files/insights/liar_advice.yaml task_insight_relevance: # Rows and columns represent (respectively) the tasks and insights listed above. - [0, 0, 2] # 2 denotes a mutually relevant task-insight pair, stored in memory. - [0, 0, 1] # 1 denotes a mutually relevant task-insight pair, not stored in memory. - [2, 0, 0] # 0 denotes a mutually irrelevant task-insight pair. - [0, 1, 0] - [0, 2, 0]

运行命令与经验性结果：

python eval_retrieval.py configs/retrieval.yaml

README 指出该样例的 precision 与 recall 通常接近 100%（这是对样例规模的描述性结论，非产品指标承诺）。

场景三：从用户建议与纠正中学习

eval_teachability.py 评测"可教性"：用脚本模拟三段对话，借此说明"先失败 → 给予建议（清空上下文）→ 靠记忆成功"的完整闭环：

1. 清空记忆后向 Agent 抛出任务task_description（预期 Agent 因缺少该知识而答错）；
2. 上下文窗口清空后，把insight作为用户消息喂给 Agent——此刻 Agent 学到了新知识，Apprentice会在后台把教导存入记忆库；
3. 再次清空上下文并重问任务，看 Agent 能否靠检索记忆而不是靠同窗口内的上下文来作答。

正确性由Grader（模型评分器，见 utils/grader.py）对照expected_answer判定。若改写为评价脚本之外的自定义应用，utils/apprentice.py 的Apprentice.handle_user_message()可被复用，也可完全换成自己的路由代码。

配套配置与数据（configs/teachability.yaml）：

test: task_file: data_files/tasks/autogen_package.yaml # The task being tested. insight_file: data_files/insights/add_topic.yaml # Advice provided to help solve the task.

运行：

python eval_teachability.py configs/teachability.yaml

README 的经验性结论：借助记忆，该样例通常成功（即"教导前答错、教导后答对"）。

场景四：从用户示范中学习

eval_learning_from_demonstration.py（配置见 configs/demonstration.yaml）检验的是"举一反三"能力：

1. 让 Agent 连续 10 次执行一个它通常失败的推理任务（main_task_file，例如cell_towers_1）；
2. 上下文清空后，给 Agent 一次对相似但不同任务（demo_task_file，例如cell_towers_2）的完整解题示范（demo_solution_file，例如cell_towers_2_demo）；
3. 清空上下文后，再对原任务测 10 次，观察 Agent 能否把示范迁移应用到原始任务上。

test: main_task_file: data_files/tasks/cell_towers_1.yaml # The task being tested. demo_task_file: data_files/tasks/cell_towers_2.yaml # A similar but different task. demo_solution_file: data_files/insights/cell_towers_2_demo.yaml # A demonstration of solving the second task. num_trials: 10

运行：

python eval_learning_from_demonstration.py configs/demonstration.yaml

README 的经验性结论：示范存入记忆后，Agent 的成功率往往有可测量的提升。这里体现了"task 与 demonstration 一并作为 insight 存储、用于解决相似但不同任务"的设计——示范不是被当作死记硬背的答案，而是被当作可迁移的解题模式。

场景五：从自身经验中学习（自教学习循环）

eval_self_teaching.py（配置见 configs/self_teaching.yaml）演示最复杂的"自教（self-teaching）"：Agent 不依赖任何用户输入，只凭自动的成功/失败反馈，在后台学习循环中自己找到解法并存入记忆。

关键前提是任务必须可验证且对环境无副作用（side-effect free），这样脚本才能用自动反馈代替人工评判。其流程可概括为（结合模块级 README 的 "Memory Creation and Storage" 描述）：

1. 对任务做若干次测试以发现失败；
2. 一旦发现失败，让模型分析 Agent 的响应，执行"诊断推理或信息缺失的原因 → 把原因措辞成一句老师对学生式的泛化建议 → 把建议临时拼到任务描述上 → 回到第 1 步"的迭代；当某条建议能连续多次帮助 Agent 解题时，就把它作为 insight 写入记忆；
3. 对每条待存的 insight，提示 LLM 生成一组自由形式、多词的话题，再对每个话题做向量嵌入，存入映射"话题 → 相关 insight"的向量库。

self_teaching.yaml的test区块进一步定义了训练与泛化测试的规模：

test: task_file_1: data_files/tasks/10_liars.yaml # Train and test on this task. task_file_2: data_files/tasks/100_vampires.yaml # Test generalization on this different, similar task. num_loops: 10 num_final_test_trials: 3

脚本逻辑（eval_self_teaching.py）：先以空记忆库开始，重复num_loops次"用任务 1 训练 → 在任务 1 上以use_memory=True测num_final_test_trials次 → 在相似但不同的任务 2 上同样测试"的外循环，分别累计两个任务的成功率，最后报告各自的总成功率。

运行：

python eval_self_teaching.py configs/self_teaching.yaml

README 的经验性结论：借助记忆，Agent 在第二轮（记忆已存在）的测试中通常能同时成功完成两个任务——任务 2 的成绩正是对"泛化能力"的检验，证明学到的不是针对单一问题的死答案。

记忆的写入与读取流水线（源码级原理）

综合模块 README 与源码，可以归纳任务中心记忆在单次交互背后的完整流水线，这也是它区别于"简单把整段对话存起来再全文检索"的关键：

写入（Memory Creation and Storage）

1. 依据学习类型产出 insight：用户建议被模型提取后作为 insight；用户示范与其 task 一并存储；自教循环则由后台学习循环产出建议；
2. 对每条 insight，LLM 生成多个自由形式的多词话题；
3. 每个话题被嵌入为定长向量，连同其指向的 insight 一起存进向量库（string_map目录 +uid_memo_dict.pkl）。

读取（Memory Retrieval and Usage）

1. 先由 LLM 把新任务改写为更一般化的形式（generalize_task/revise_generalized_task）；
2. 从一般化任务生成一组多词查询话题；
3. 从向量库中为每个查询话题取回最相似的一批历史话题及其映射的 insight（n_results上限）；
4. 依据候选话题相对查询话题的聚合相似度过滤候选 memo（distance_threshold/relevance_conversion_threshold控制归一化与阈值）；
5. 最后一轮过滤中，用 LLM 校验那些看起来可能有助于当前任务的 insight（validate_memos）。

通过校验的 insight 会以类似Important insights that may help solve tasks like this的标题列在任务描述之前，随任务一起交给 Agent 处理。

上下文注入（以 Teachability 为例）：utils/teachability.py 在每次轮次更新上下文时，会取最近一条用户文本调用query()做记忆检索，将命中结果以Potentially relevant memories:的编号列表追加到模型上下文；同时把该条用户消息中的教导抽取出来转成可供add_memo()使用的记忆。检索-注入-沉淀三件事在每轮自动发生，使 Agent 无需改一行代码就同时具备"用得上旧记忆"与"存得下新教导"两种能力。

观测、调试与常见操作

• 可视化观测：运行评测前请留意配置顶部PageLogger.level与path。设为DEBUG时，任务中心记忆会把函数的进入/离开、内存加载、检索计数、评测结果等全部写入path下的 HTML 页面（如./pagelogs/teachability/0 Call Tree.html），可用浏览器打开实时追踪"一条建议是如何被存下、又是如何被检索并注入的"；若想完全关闭日志，把level设为NONE。
• 清空记忆：MemoryController(reset=True, ...)或脚本里的reset_memory()会在启动/评测前清空记忆库；对持久化目录memory_bank/（以及为单个评测生成的memory_bank/<场景名>子目录）可直接删除，下次运行从空记忆开始。
• 重复运行的变量控制：disable_prefix_caching: 1会在上下文前置入随机前缀以去相关；而由于模型输出本身非确定，同一评测多次运行的结果仍会波动，做对比时应取多轮均值。
• 切换目标 Agent/团队：将各配置中Apprentice.name_of_agent_or_team从AssistantAgent改为MagenticOneGroupChat，即可把同样的记忆能力挂到多 Agent 群聊团队上，样例代码无需改动。

小结与扩展阅读

任务中心记忆把"记忆"从被动塞入上下文的做法，升级为一套"任务/话题驱动的快速学习"机制：MemoryController负责四种学习形式的写入与检索，MemoryBank用向量库做持久化，Teachability等封装把能力以Memory接口形式零侵入挂到 AutoGen Agent 上。五个样例分别覆盖了直接存储检索、用户教导、用户示范、自教学习与跨会话复用，配合PageLogger的页面日志，可逐帧观察记忆生命周期。

进一步深入可参考：

• 样例目录入口：python/samples/task_centric_memory/README.md
• 交互式可教 Agent：chat_with_teachable_agent.py
• 全部 YAML 配置与数据：configs、data_files
• 记忆控制器实现（配置项与默认值）：memory_controller.py
• 记忆库与 Memo 数据模型：memory_bank.py
• Memory 接口封装与应用参考代码：utils/teachability.py、utils/apprentice.py
• 模块级设计文档与最小可用示例：task_centric_memory/README.md

需要再次强调的是，该功能标注为EXPERIMENTAL, RESEARCH IN PROGRESS，本文所涉配置项、接口与行为均以当前仓库（gpt-4o-2024-08-06等模型配置、YAML 结构、源码默认值）为准，接入生产系统前请务必结合你所用的 AutoGen 版本核对 API 兼容性。

【免费下载链接】autogenA programming framework for agentic AI项目地址: https://gitcode.com/GitHub_Trending/au/autogen