Agentic Memory 实践：用 agents.md 实现 LLM 持续学习

LLM 能自动化研究、编程等各类任务，但有个恼人的问题：完成一个任务后，下次交互又得从零开始。每次都要重复告诉它代码格式怎么写、任务按什么偏好执行，时间就这么浪费掉了。

agents.md 文件可以让 LLM 把可复用的信息存到单独文件里学习你的习惯和模式。新任务开始时自动读取这个文件，冷启动问题没了重复指令也省了。

本文会概述如何通过持续更新 agents.md 文件来实现 LLM 的持续学习。

为什么需要持续学习？

全新的 Agent 上下文意味着一切从头来过，Agent 要重新摸清你的偏好你得花时间反复调教它。

比如要告诉 Agent 用 Python 3.13 语法别用 3.12，要求函数必须有返回类型，禁止使用 Any 类型等等。用 AI Agent 图的就是快，不需要要反复交代 Python 版本、Any 类型这些事。

Agent 有时还会花时间去查你早就知道的信息：比如文档表叫什么名字、CloudWatch 日志在哪、S3 存储桶的前缀是什么。假如 Agent 不知道文档表的名称，它得先列出所有表，再从中找可能的候选项，最后要么查表确认，要么问你。这套流程下来时间就没了。

这张图片展示了 Agent 查找文档表名称时必须执行的操作。首先必须列出数据库中的所有表，然后找到相关的表名。最后Agent 通过询问用户确认或在表中进行查询来确认它找到了正确的表。这需要花费大量时间。如果可以将文档表的名称存储在 agents.md 中，这样可以在以后编程 Agent 的交互中更加高效。

把文档表名称、CloudWatch 日志、S3 前缀这些信息写进 agents.md，这些时间就全省下来了。所以持续学习的核心诉求很简单：重复指令既烦人又耗时，而我们用 AI Agent 就是要追求极致效率。

如何应用持续学习

最简单的持续学习方法围绕 agents.md 文件展开，建议每个代码仓库都放一个。两个核心做法：

第一，Agent 犯错时告诉它正确做法，并让它把这条经验写进 agents.md。第二每次对话结束后用下面这个 prompt，让 Agent 把对话中学到的东西归纳存档，以后用得上：

Generalize the knowledge from this thread, and remember it for later.
Anything that could be useful to know for a later interaction,
when doing similar things. Store in agents.md

这两招能让你在持续学习这件事上完成 80% 的工作，工程效率会有明显提升。

关键在于时刻惦记着 Agentic Memory。Agent 做了不对的事？立刻存到 agents.md 里。

你可能担心 agents.md 越写越长会拖慢 Agent、增加成本。其实不会，因为LLM 很擅长压缩归纳信息，几千字的 agents.md 根本不算什么。前沿 LLM 的上下文窗口动辄几十万 Token，完全装得下。

所以成本方面可能反而会下降，因为Agent 不用再花 Token 去查那些已经写在 agents.md 里的信息了。

重度使用 agents.md 进行 Agentic Memory 会让 LLM 用得更快，成本更低

一些实用技巧

Claude Code 里有个便捷操作：在终端输入 # 加内容就能直接写入 Agent 记忆。比如：

# Always use Python 3.13 syntax, avoid 3.12 syntax

输入后会弹出选项让你选择存储位置。保存到用户记忆，信息会跨所有仓库生效，适合通用规则（比如函数必须有返回类型）。保存到当前文件夹，适合特定服务的配置。保存到项目根目录整个仓库都能读到。

这张图片突出显示了在 Claude 中拥有的不同记忆选项。可以选择保存到用户记忆中将记忆存储在你的所有会话中，无论是哪个仓库。此外还可以将其存储在你所在项目的子文件夹中，例如存储关于特定服务的信息。最后还可以将记忆存储在项目根文件夹中，这样与该仓库的所有工作都将拥有该上下文。

不同编程 Agent 用的记忆文件不一样：Claude Code 用 CLAUDE.md，Warp 用 WARP.md，Cursor 用 .cursorrules。

但 agents.md 基本上所有 Agent 都认的文件名，所以我建议把信息往 agents.md 里写，这样不管用哪个编程 Agent 都能读到。毕竟今天 Claude Code 最强，明天说不定换别家了。

AGI 与持续学习

真正的持续学习有时被认为是 AGI 的最后几道门槛之一。现在的 LLM 本质上是用文件（比如 agents.md）来模拟持续学习——把学到的东西存下来，下次读取。理想状态应该是模型在学习新信息时直接更新权重，就像人的本能那样。

真正的持续学习还没实现，但这应该是未来几年会有突破的方向。

总结

想成为更高效的工程师，用好 agents.md 做持续学习是一条捷径。Agent 会逐渐学会你的习惯、记住你常犯的错误、熟悉你常用的信息，后续交互越来越顺畅。我认为重度使用 agents.md 是成为优秀工程师的必备技能，值得持续投入。

https://avoid.overfit.cn/post/7e3796a1a0214e1984037d8deee4a44f

作者：Eivind Kjosbakken