企业官网建设流程全解析

1. 项目背景

小陈是一名自学 Python 的转行程序员，他用 CrewAI 做了一个"个人学习教练 Crew"：输入想学的知识点，Agent 帮他制定学习计划。第一版只能"一问一答"——你问"怎么学 FastAPI"，Agent 给出学习路径。等你学完再问"接下来学什么"，Agent 完全不记得你刚学过 FastAPI，又从零开始给你推荐 Python 基础。每次对话都是"第一次见面"。

更糟的是，当小陈连续学习了三周后，Agent 依然不知道他的学习进度——哪些章节已掌握、哪些薄弱、每天的学习时长偏好。没有记忆的 CrewAI，就像一个每天失忆的老师——态度认真，但跟学生之间没有任何积累。

核心痛点：默认的 CrewAI Agent 是无状态的——每次 kickoff 都是全新的上下文。但在需要持续交互的场景中（学习教练、客服助手、个人助理），"记住上一次发生了什么"是刚需。CrewAI 提供了三层记忆机制：短期记忆（当前会话上下文）、长期记忆（跨会话的用户偏好和历史）、实体记忆（关键实体之间的关系）。

本章的目标是理解三种记忆的工作方式、配置方法、风险和治理，并实现一个能记住学习进度的"个人学习教练 Crew"。

2. 项目设计

小胖（抱着一袋薯片）：“大师，Memory 不就是让 Agent 记住之前说过的话吗？这有什么难的？”

大师：“记住不难，但记住什么、怎么用、什么时候该忘掉——这是三个完全不同层次的问题。短期记忆像便签纸——随手记、用完扔，成本最低。长期记忆像档案柜——持久保存、需要检索，成本中等。最难的是’知道什么该忘’——如果一个用户的学习偏好从’喜欢视频课程’变成了’更喜欢实战项目’，旧的偏好记忆如果不更新，Agent 就会一直推荐错误的资源。”

小白（认真地记笔记）：“这三种记忆分别存在哪？用什么存储？”

大师：“短期记忆存在当前会话的上下文窗口里——每次 kickoff 时的上下文就是短期记忆的载体，会话结束就消失。长期记忆和实体记忆需要外部存储——默认用 SQLite，也可以配置成 Chroma（向量数据库）或其他存储后端。记忆不是无限累积的——CrewAI 有memory_config可以设置存储路径和 Provider。”

小胖：“那我怎么让一个 Crew 启用记忆？改个参数就行吗？”

大师：“启动很简单——Crew(memory=True)。但真正难的是记忆管理。开了记忆后你会发现：Agent 开始’记仇’了——之前犯过的错误会影响后续判断；Agent 开始’固执’了——最初的偏好一直延续，不愿意接受新信息。记忆污染是真实存在的，而且比内存泄漏更难排查。”

小白：“记忆污染具体指什么？能举个例子吗？”

大师：“比如你的学习教练在第一轮对话中，Agent 基于你的提问判断’你对数据库特别感兴趣’。这个判断被存入了长期记忆。但实际你只是随口一问。之后的所有学习计划，Agent 都偏向推荐数据库相关内容——这就是记忆污染：一个低质量的推断被固化成了事实。”

小白：“那怎么清理和隔离记忆？”

大师：“清理有三种方式：手动删除——直接操作 SQLite 或 Chroma 中的记忆表；TTL 策略——设置记忆的过期时间，超过 X 天后自动清除；版本隔离——每次启动新的学习周期时，用不同的 memory 存储路径，实现’新旧隔离’。生产环境中，建议组合使用：按用户隔离存储 + TTL 自动过期 + 定期人工审核。”

小胖：“那如果我既想用记忆的便利，又怕记忆污染，有没有折中方案？”

大师：“局部记忆。不是所有 Task 都需要记忆——你可以只在关键节点启用。比如学习教练中，'学习进度追踪’这个 Task 需要记忆（上周学到哪了），但’今日学习内容推荐’这个 Task 不需要（每天从零生成即可，避免被历史偏好局限）。这种方案平衡了记忆的价值和风险。”

技术映射总结：短期记忆 = 会话级别的上下文（当前 kickoff 内的 Task 传递），长期记忆 = 跨会话的用户画像和行为模式，实体记忆 = 关键名词之间的关系图谱。记忆是一把双刃剑——它让 Agent 从"陌生人"变成"老朋友"，但也可能让它变成"固执的老师"。

3. 项目实战

3.1 实战目标

实现一个"个人学习教练 Crew"——能根据上一次学习记录调整下一次学习计划。对比有记忆和无记忆时 Agent 行为的差异，并演示记忆清理方法。

3.2 环境准备

learning-coach-crew/ ├── .env ├── main.py ├── agents.py ├── tasks.py ├── crew.py ├── memory_manager.py # 记忆管理和清理工具 └── outputs/

依赖：crewai、python-dotenv

3.3 分步实现

步骤1：创建学习教练 Agent

目标：设计一个能利用记忆的个性化学习教练。

# agents.pyfromcrewaiimportAgentdefcreate_learning_coach(llm):"""创建学习教练 Agent——需配合 Memory 使用"""returnAgent(role="个性化学习教练",goal=("基于学员的学习历史、当前水平和学习偏好，制定最适合的下一步学习计划。""每次生成计划前，回顾学员的过往学习记录，确保计划有连续性而非从零开始。"),backstory=("你是一名经验丰富的编程导师，辅导过500+学员从零基础到入职。""你的教学理念是'因材施教、温故知新'——每次教学前必先了解学员的进度。""你关注三个维度：知识掌握度（哪些已掌握/薄弱）、学习偏好（视频/文档/实战）、""时间约束（每周可投入的时间）。你拒绝'一刀切'的推荐。"),llm=llm,verbose=True,allow_delegation=False,max_iter=10)

步骤2：创建任务

目标：设计两个 session 的任务，验证记忆延续性。

# tasks.pyfromcrewaiimportTaskdefcreate_learning_task(agent,topic:str,session:int):"""创建学习计划任务"""returnTask(description=f""" 为学员制定关于"{topic}"的学习计划（第{session}次学习会话）。 【重要】请先回忆学员之前的回答和学习记录： - 如果之前学过相关内容，基于之前的进度继续，不要从零开始 - 如果学员表达过偏好（如"喜欢视频"或"喜欢实战"），尊重这些偏好 - 如果学员提到过薄弱环节，在本次计划中加强 【本次计划要求】 1. 推荐3个学习资源（注明类型：视频/文章/实战项目） 2. 安排1个练习任务（控制在2小时内可完成） 3. 提出2个自测问题（用于检查掌握程度） """,expected_output=(f"# 第{session}次学习计划：{topic}\n\n""## 学习资源推荐\n""| 序号 | 资源名称 | 类型 | 预计时长 |\n""|------|---------|------|--------|\n\n""## 练习任务\n""- 任务描述和验收标准\n\n""## 自测问题\n""1. ...\n""2. ...\n\n""## 基于历史进度的说明\n""- 本次计划的衔接点（与前次学习的关系）"),agent=agent,output_file=f"outputs/session_{session}_plan.md")

步骤3：无记忆版 Crew（对照组）

目标：展示没有记忆时 Agent 的"失忆"行为。

# crew.pyfromcrewaiimportCrew,Process,LLMfromagentsimportcreate_learning_coachfromtasksimportcreate_learning_taskimportosdefcreate_learning_crew(use_memory:bool,memory_storage_path:str=None):"""创建学习教练 Crew（可选启用记忆）"""llm=LLM(model=os.getenv("MODEL_NAME","gpt-4o-mini"),temperature=0.5,timeout=120)agent=create_learning_coach(llm)crew_kwargs={"agents":[agent],"process":Process.sequential,"verbose":True,}ifuse_memory:crew_kwargs["memory"]=Truecrew_kwargs["memory_config"]={"provider":"mem0",# 使用 CrewAI 内置的记忆 Provider"config":{"user_id":"student_001",# 按用户隔离}}returnCrew(**crew_kwargs),agent

# main.pyfromdotenvimportload_dotenv load_dotenv()fromcrewimportcreate_learning_crewfromtasksimportcreate_learning_taskimportosdefsimulate_learning_sessions(use_memory:bool):"""模拟多次学习会话，对比有无记忆的效果"""os.makedirs("outputs",exist_ok=True)print(f"\n{'='*60}")print(f"学习教练实验：记忆={'启用'ifuse_memoryelse'关闭'}")print(f"{'='*60}")crew,agent=create_learning_crew(use_memory=use_memory)# 模拟三次学习会话sessions=[{"topic":"Python 面向对象编程","interaction":"我刚学完Python基础语法，喜欢看视频教程，不太喜欢读文档。"},{"topic":"Python 装饰器进阶","interaction":"上周学了面向对象，但多继承部分有点懵。最近时间不多，每天只能学1小时。"},{"topic":"FastAPI 入门","interaction":"装饰器已经掌握了。这周时间充裕，想挑战一下实战项目。"},]fori,sessioninenumerate(sessions,1):print(f"\n--- 第{i}次学习会话：{session['topic']}---")print(f"学员输入：{session['interaction']}")task=create_learning_task(agent,session['topic'],i)task.description+=f"\n\n【学员最新反馈】{session['interaction']}"crew.tasks=[task]result=crew.kickoff()print(f"Agent 推荐预览：{result.raw[:300]}...\n")# 对比检查print("\n"+"-"*40)ifuse_memory:print("预期表现：Agent 应能引用前次学习内容，""体现学习偏好的延续性（视频优先、时间约束等）。")else:print("预期表现：Agent 每次输出的学习计划互不关联，""像'第一次见面'一样重新推荐。")returncrewif__name__=="__main__":# 实验1：无记忆crew_no_mem=simulate_learning_sessions(use_memory=False)print("\n\n")# 实验2：有记忆crew_with_mem=simulate_learning_sessions(use_memory=True)

3.4 运行结果

python main.py

关键差异对比：

============================================================ 学习教练实验：记忆=关闭 ============================================================ --- 第1次学习会话：Python 面向对象编程 --- 学员输入：我喜欢看视频教程 Agent 推荐：推荐Python OOP视频课程、LeetCode练习... --- 第2次学习会话：Python 装饰器进阶 --- 学员输入：上周学了面向对象，但多继承部分有点懵 Agent 推荐：【无记忆】从Python装饰器基础开始......（❌ 没提到OOP进度） --- 第3次学习会话：FastAPI 入门 --- 学员输入：装饰器已经掌握了，想挑战实战 Agent 推荐：【无记忆】FastAPI基础教程......（❌ 没提到之前的任何学习内容） ============================================================ 学习教练实验：记忆=启用 ============================================================ --- 第1次学习会话：Python 面向对象编程 --- Agent 推荐：推荐视频课程（✅ 记住了视频偏好）... --- 第2次学习会话：Python 装饰器进阶 --- Agent 推荐：【有记忆】基于你已掌握的基本OOP概念，但多继承仍需加强， 本次装饰器计划配合OOP复习。每天1小时安排......（✅ 引用了前次学习） --- 第3次学习会话：FastAPI 入门 --- Agent 推荐：【有记忆】鉴于你已掌握装饰器、熟悉视频学习， 推荐一个FastAPI实战项目。你有更多时间，可以挑战完整CRUD应用... （✅ 引用了之前所有学习记录，体现了学习路径的递进）

3.5 记忆管理工具

# memory_manager.pyimportsqlite3importosfromdatetimeimportdatetime,timedeltaclassMemoryManager:"""CrewAI 记忆管理工具"""def__init__(self,db_path:str="crewai_memory.db"):self.db_path=db_pathdefget_memory_stats(self)->dict:"""获取记忆统计信息"""ifnotos.path.exists(self.db_path):return{"exists":False,"message":"记忆数据库不存在"}conn=sqlite3.connect(self.db_path)cursor=conn.cursor()# 获取表列表cursor.execute("SELECT name FROM sqlite_master WHERE type='table'")tables=[row[0]forrowincursor.fetchall()]stats={"exists":True,"tables":tables,"row_counts":{}}fortableintables:try:cursor.execute(f"SELECT COUNT(*) FROM{table}")count=cursor.fetchone()[0]stats["row_counts"][table]=countexcept:passconn.close()returnstatsdefclean_old_memories(self,days:int=30):"""清理超过指定天数的旧记忆（需根据实际表结构调整）"""ifnotos.path.exists(self.db_path):print("记忆数据库不存在，无需清理。")returnconn=sqlite3.connect(self.db_path)cursor=conn.cursor()cutoff=(datetime.now()-timedelta(days=days)).isoformat()try:# 尝试清理（表名需根据实际 CrewAI 版本调整）cursor.execute("DELETE FROM memories WHERE created_at < ?",(cutoff,))deleted=cursor.rowcount conn.commit()print(f"已清理{deleted}条超过{days}天的旧记忆。")exceptExceptionase:print(f"清理时出错（可能是表结构不匹配）:{e}")finally:conn.close()defreset_all_memories(self):"""重置所有记忆（仅用于开发/测试）"""ifos.path.exists(self.db_path):os.remove(self.db_path)print(f"已删除记忆数据库:{self.db_path}")else:print("记忆数据库不存在。")if__name__=="__main__":manager=MemoryManager()# 查看记忆状态stats=manager.get_memory_stats()print("记忆统计：")print(f" 数据库存在:{stats['exists']}")ifstats['exists']:print(f" 表:{stats['tables']}")fortable,countinstats['row_counts'].items():print(f"{table}:{count}条记录")# 清理30天前的旧记忆manager.clean_old_memories(days=30)

3.6 测试验证

# test_memory.pyimportpytestfrommemory_managerimportMemoryManagerimportosimporttimedeftest_memory_manager_init():"""验证记忆管理器初始化"""manager=MemoryManager(db_path="test_memory.db")assertmanager.db_path=="test_memory.db"deftest_get_memory_stats_no_db():"""验证数据库不存在时的统计结果"""manager=MemoryManager(db_path="nonexistent_test.db")stats=manager.get_memory_stats()assertstats["exists"]==Falseassert"不存在"instats["message"]deftest_clean_nonexistent_db():"""验证清理不存在的数据库不报错"""manager=MemoryManager(db_path="nonexistent_test.db")manager.clean_old_memories(days=30)# 不应抛异常deftest_reset_nonexistent_db():"""验证重置不存在的数据库不报错"""manager=MemoryManager(db_path="nonexistent_test.db")manager.reset_all_memories()# 不应抛异常

pytest test_memory.py-v# 4 passed

4. 项目总结

4.1 优点与缺点

4.2 适用场景

推荐启用 Memory：

1. 个人学习助手、健身教练等持续跟踪场景
2. 客服系统（记住用户历史问题避免重复）
3. 个人助理（记住偏好、习惯、日程）
4. 长期项目协作 Agent（记住项目进展和决策历程）
5. 多轮交互的对话系统

不推荐启用 Memory：

1. 一次性报告生成（竞品分析、周报）
2. 对记忆准确性要求极高的合规场景（法律、财务）

4.3 注意事项

1. 按用户隔离存储：多用户场景下必须隔离 memory，避免跨用户信息泄漏。
2. 记忆不是越多越好：记忆累积到一定程度后，检索效率和准确性都会下降，需要清理策略。
3. 隐私合规：记忆可能包含用户个人信息，需要遵守 GDPR/个保法——提供记忆导出和删除功能。
4. 记忆版本管理：当 Agent 的 backstory 或系统 prompt 发生重大变化时，旧记忆可能与新规则冲突，建议重置。

4.4 常见踩坑经验

案例1：记忆让 Agent 变得越来越"固执"

现象：用户改变偏好后，Agent 仍然按旧的偏好推荐。
根因：长期记忆中的旧偏好权重过高，新交互未覆盖旧记忆。
解决：在 Task description 中加上"用户可能改变了偏好，请优先参考最近的交互而非历史记录"。

案例2：记忆数据库无限增长

现象：运行几个月后，SQLite 文件从几 KB 涨到几百 MB。
根因：没有设置记忆清理策略，每次 kickoff 都在写入新记忆。
解决：实现 TTL 过期策略 + 定期压缩（合并相似记忆）+ 存储容量告警。

案例3：跨用户的记忆泄漏

现象：用户 A 的学习计划中出现了用户 B 的学习偏好。
根因：memory_config 中没有按 user_id 隔离，共用同一个存储。
解决：在 memory_config 中设置user_id参数，确保每个用户的记忆独立存储。

4.5 思考题

1. 你有一个客服 Crew 需要同时服务 100 个客户。应该采用’全局记忆’（所有客户共享一个记忆库）还是’用户级记忆’（每个客户独立记忆）？各有什么利弊？

2. 当用户的学习习惯发生根本性变化（比如从’喜欢视频’变为’只用文档’），你能设计什么机制让 Agent 识别这种变化并相应地降低旧记忆的权重？

答案将在后续章节揭晓。

延伸阅读与资源

10倍开发者的 Dify 魔法书：从零构建全栈 AI 应用
后端工程师转型AI第一课-Ollama 与私有化大模型实战
大型语言模型(LLM) vLLM 高性能推理落地实战
Agent开发之LlamaIndex 实战修炼与源码进阶
大语言模型Transformers 实战修炼与源码剖析