记录AI Agent的学习历程和学习心得，仿写0.0.0版的ClaudeCode
MinClaudeCode
|
|-- log -- 日志记录
|
|-- spec -- 需求文档说明书
|
|-- src
| |-- cmdLine --> Agent的启动和打印输出目录
| |
| |-- config --> 项目的主配置目录
| |
| |-- llm --> Agent实现和与LLM交互的目录
| |
| |-- message --> 与LLM交互的上下文管理
| |
| |-- output ---> 输出保存目录
| |
| |-- skills ---> skill加载目录
| |
| |-- utility ---> 辅助工具目录
|
|__ main.py -- 主程序将 src/config/config.yaml文件
# 模型类型
DeepSeek:
api_key: "sk-xx"
在运行时需要将这里修改为自己申请的API-KEY运行 python main.py
➤ You: (): 写个网页注册界面
👤 You 2026-05-27 15:43:34
┌───────────────────────────────────────────────────────────────────────────┐
│ │
│ 写个网页注册界面 │
│ │
└───────────────────────────────────────────────────────────────────────────┘
✓ Wrote 12132 bytes
✅ LLM 未调用工具，任务自动结束。
一个工业级的记忆系统，通常会借鉴认知科学理论，采用分层架构，本 .src/message/memory_mng.py 文件采用的是三层记忆
- 短期记忆 (STM - Working Memory)：就是当前交互的上下文里的内容，负责维持对话的即时连贯性
- 中期记忆/摘要记忆 (MTM - Episodic Summary)：通过将早期的对话历史压缩成摘要，来替代简单粗暴的截断，保留关键信息
- 长期记忆 (LTM - Long-term Memory)：这是一个跨会话的持久化存储，用于保存用户的偏好、项目决策等重要知
短期记忆：滑动窗口 + 智能压缩
-
维护一个固定大小的滑动窗口，比如保留最近的 10-30 轮对话，当超过窗口大小时，则只报最近的窗口大小的消息
-
智能压缩：当有效窗口 Token 超过预设阈值时，不要简单地删除，而是触发摘要压缩
1、调用LLM生成摘要：将窗口之外的历史记录压缩成一段摘要文本
2、替换历史消息：用一个system或assistant角色的消息（内容为“历史摘要：... ”）替换掉被压缩的原始消息
长期记忆：向量语义存储+智能注入
- 存储层 (Storage Layer)：包含原始事件日志（完整记录所有交互）和结构化记忆（从日志中提取的关键信息）。对于后者，可以用 SQLite 存储关键词，同时生成 Embedding 存入向量数据库（如 Chroma、Qdrant）供语义检索
- 操作层 (Operation Layer)：包含记忆抽取器（分析对话，决策是否提取记忆）和检索注入器（在每次请求前检索相关记忆）
four-layer compression pipeline so the agent can work forever
Every Turn:
+----------------------------+
| User + Tool call result |
+----------------------------+
|
V
Layer 0 : Micro_compact (silent every turn)
+---------------------------------------------------------------------+
| replace non-read_file tool_result content older |
| than keep_recent_tool_results with "[Previous: used {tool_name}]" |
+---------------------------------------------------------------------+
|
V
+--------------------------------------------------------------------+
| Only retain the most recent N rounds of conversation. |
| Early messages that exceed the window are directly discarded |
| |
| Check: SlidingWindowMemory > short_term_window_messages ? |
+--------------------------------------------------------------------+
| |
no yes
| |
V V
continue Layer1 ： Sliding Window
+------------+ +----------------------------------------------+
| messages | | messages[-self.short_term_window_messages:] |
+------------+ +----------------------------------------------+
|
|
V
+-------------------------------------------------------+
| Check used token and token_limit |
| user_token > model_context_limit * compression_ratio |
+-------------------------------------------------------+
|
|
V
Layer 2 : auto_compact
+------------------------------------------------------------------------+
| keep = min(self.keep_recent_messages, len(candidate_messages)) |
| to_summarize = candidate_messages[:-keep] |
| recent = candidate_messages[-keep:] |
| |
| Ask LLM to summerize to_summarize conversation |
| Replace all message with [summaey] |
| |
| recent: Retain the original text portion. |
+------------------------------------------------------------------------+
|
V
+-------------------------------------------------------+
| Inject into long-term memory. |
| |
+-------------------------------------------------------+
|
|
V
+-------------------------------------------------------+
| Check used token and token_limit |
| user_token > model_context_limit |
+-------------------------------------------------------+
|
|
V
Layer 3: compact tool
+-------------------------------------------------+
| Final hard cropping |
| |
+-------------------------------------------------+
Key insight :"The agent can forget strategically and keep working forever"
-
休眠重塑
1、AutoDream 自动整理
-
摘要记忆
1、Session Memory 压缩机制
-
长期记忆
1、memdir 分层知识库
/.claude/memory/
user / 用户画像 feedback / 行为反馈 project / 项目上下文 reference / 外部引用MEMORY.md 全局索引，自动维护
-
工作记忆
1、当前正在执行的任务
-
短期记忆
1、完整对话历史，零压缩
-
指令记忆
1、4层级优先加载
1）、etc/.../CLAUDE.md 组织策略 2）、/.claude/CLAUDE.md 个人偏好 3）、./CLAUDE.md 团队共享 4)、CLAUDE.local.md 私有本地
上述的完整记忆体系解决的核心问题：1、上下文遗忘；2、多终端同步；3、Token预算控制 https://www.tgltommy.com https://github.com/ultraworkers/claw-code