一、场景背景：

在openJiuwen平台中，独立记忆库功能的引入，结合LLM与Embedding模型的灵活配置以及跨Agent记忆共享机制，显著提升了智能体在复杂任务中的上下文理解能力与协作效率。这种设计不仅增强了系统的可扩展性，也为多智能体协同提供了坚实的技术基础。

通过独立记忆库与跨Agent共享机制，智能体能够更高效地利用历史信息进行推理。例如，在处理用户请求时，智能体不仅能够调用当前任务所需的信息，还能结合过往任务的记忆，进行更深层次的上下文理解。这种能力在需要长期依赖或复杂推理的任务中尤为重要。例如，用户在连续对话中提出多个相关问题，智能体可以通过记忆库快速定位上下文，提供更连贯的响应。

在复杂的任务执行过程中，智能体需要处理大量上下文信息，例如任务历史、工具调用记录、用户交互内容等。传统方式下，这些信息往往分散存储或无法有效复用，导致智能体在处理长程任务时出现“遗忘”或“上下文断裂”的问题。独立记忆库的引入，使得每个智能体可以拥有自己的记忆空间，用于存储和管理任务相关的结构化与非结构化数据，从而提升任务执行的连贯性和准确性。

---

二、openJiuwen技术方案 - 搭建工作流、记忆库、知识库的"食谱星"智能体：

1. 创建记忆库：

在记忆库管理中，我们首先需要添加一个独立的记忆库，用于存储专门与“食物”相关智能体的记忆数据，在创建的时候，这里提示我们需要添加2类模型：

• Embedding模型：用于将输入的文本转换为向量，并保存在数据库中。
• LLM模型：用于处理输入的文本，并返回结果。

2种模型在记忆库中的作用如下：

模型名称	模型作用	记忆库作用
Embedding模型	用于将输入的文本转换为向量，并保存在数据库中。	用于长期记忆相关性筛选
LLM模型	用于处理输入的文本，并返回结果。	用于长期记忆的提取和加工

接下来我们可以去华为云模型广场的在线推理模型界面开通相关模型，MaaS预置服务为企业用户提供高性能、高可用的推理API服务，支持按Token用量计费的模式。该服务适用于需要商用级稳定性、更高调用频次和专业支持的场景。

• 模型名称：DeepSeek-V3
• 模型标识符：DeepSeek-V3
• 基础服务地址：https://api.modelarts-maas.com/openai/v1

• 模型名称：bge-m3
• 模型标识符：bge-m3
• 基础服务地址：https://api.modelarts-maas.com/v1/embeddings

接下来，我们创建一个名为“食物记忆库“记忆库功能，打造智能食谱跨Agent共享记忆数据。

以上就是简单的通过简单的配置模型即可添加记忆库管理，非常的方便，接下来，我们可以创建一个智能体，并添加记忆库功能，来尝试一下使用场景与作用。

---

2. 创建"食谱星"智能体：

在"智能体开发"菜单中，我们添加一个单Agent自主规划模式的智能体，名称我们为"食谱星"并保存。

为了更好的精准的提示词，我们可以通过创建一个"提示词"，来智能生成食谱智能体相关的提示词。

这里我们通过一个变量{{food}}来做为临时变量，可以通过动态参数的形式来动态设置，比如{{food}} = “鸡蛋”，那么提示词就会变成"请给我一个关于鸡蛋的菜谱"。

接下来，通过提示词优化的功能，帮助开发者提升智能体交互质量的核心能力，它能自动改进提示词的表达逻辑与结构，使其更贴合智能体的实际任务需求，从而实现更精准、高效的自然语言响应。

这个过程无需手动调试代码，系统会基于智能体的角色定位、输出要求和用户交互场景，动态调整提示词内容，让智能体从“机械执行”变为“智能适配”。

该功能通过“动态适配+闭环反馈”机制运作：

• 当你输入一段初始提示词后，系统会分析智能体的‌人设、任务边界和输出规范‌，自动识别其中模糊或不匹配的表述；
• 接着将优化后的提示词转化为智能体可执行的行为规则，比如把“回答要专业”转化为具体的语言风格和格式约束；
• 在实际运行中，系统还会根据用户反馈持续迭代提示词，形成“输入→执行→反馈→优化”的闭环，显著降低调试成本。
  

例如，在构建一个职场规划类智能体时，原始提示词可能只简单定义了任务目标，但经过优化后，系统能自动补充岗位适配逻辑、输出结构规范，并优先调用对应场景的工具资源（如电商运营的工作清单），使回答更务实具体。

相比手动反复修改，这一功能大幅缩短了从提示词编写到智能体落地的周期，尤其适合非技术背景的用户快速搭建高质量AI应用。

## 人设
- 角色：专业厨师
- 特长：精通各类菜系烹饪技巧，擅长根据食材定制创意菜谱

## 任务描述
根据用户提供的食品菜单生成详细菜谱，包含食材用量、步骤说明和烹饪技巧，帮助用户轻松完成菜品制作。

## 约束条件
1. 输入必须为具体食材名称（如"西红柿、鸡蛋"）
2. 自动识别食材组合的合理烹饪方式
3. 每份菜谱需包含：
   - 准备时间
   - 烹饪时间
   - 2-6个步骤说明
   - 1条实用技巧
4. 按照<输出格式>输出
5. 按照<执行步骤>一步一步执行

## 执行步骤
1. 分析输入食材的营养成分和搭配合理性
2. 匹配最适合的烹饪方法（炒/煮/烤等）
3. 生成标准化的食材预处理建议
4. 设计合理的烹饪步骤序列
5. 补充提升菜品质量的小技巧

## 输出格式
【{{food}}】
准备时间：{{X分钟}}
烹饪时间：{{X分钟}}

食材清单：
- {{食材1}} {{用量}}
- {{食材2}} {{用量}}

制作步骤：
1. {{步骤说明}}
2. {{步骤说明}}
3. {{步骤说明}}

大厨秘诀：{{实用技巧}}

---

3. 菜谱知识库搭建：

openJiuwen知识库是平台中用于‌集中管理和利用私有知识资源‌的核心模块，它允许用户将内部文档、业务规则、专业知识等内容上传并结构化存储，从而为AI智能体提供精准的外部知识支持，显著增强其在特定场景下的回答能力与专业性。

这里我们通过创建一个名为“川菜厨师手册”的知识库，并且选择相关的LLM模型和Embedding模型支持与多种大模型灵活对接，用户可根据需要选择适合的LLM进行内容生成，同时保持知识来源的独立性与可控性。这种设计特别适用于对内容合规性和数据安全性要求较高的企业级应用。

通过这一机制，智能体能够基于用户提供的资料进行检索与推理，实现更贴近实际需求的个性化服务，比如搭建企业培训系统或高情商沟通助手。

上传一个pdf文件，结果在解析的过程中，发生错误，提示报错：

No content parsed from file: /app/site-packages/data/knowledge_base/16235974/3d52a5f5ebfe480cb9157b8...

那么，我们只能将pdf的数据格式转换成txt格式，才能上传成功，这里也是显示"已检索"表示txt文件知识库解析成功。

• ‌无需编程即可接入‌：用户可通过可视化界面完成知识库创建与文档上传，整个过程支持拖拽式操作，适合非技术人员使用。
• ‌智能索引与高效检索‌：上传的文档会经过系统自动解析和索引处理，当智能体接收到用户提问时，能快速从知识库中定位相关信息，提升响应准确率。
• 支持多类型应用场景‌：无论是万年历数据、企业制度文件还是沟通话术模板，都可以作为知识源导入，服务于不同类型的智能体构建需求。
• ‌增强RAG能力‌：知识库与检索增强生成（RAG）技术深度结合，确保智能体在生成回复时引用真实、权威的信息源，避免“幻觉”输出。

接下来，我们在智能体中将刚刚创建并解析成功的知识库添加到智能体中即可。

openJiuwen知识库不仅是信息的存储容器，更是连接专业知识与AI智能体的桥梁，帮助用户将静态文档转化为可交互、可调用的动态知识资产。

---

三、记忆库场景一（变量记忆）：

在使用"变量记忆"时，我们需要配合将上面创建的"食物记忆库"添加到智能体中：

接下来，还需要进行2步的操作：

• 将变量配置中，添加一个"food"的变量，变量名称为"食谱名称"，需要点击"添加"按钮才能真正的添加成功。
• 启用长期记忆，启用后，智能体将能够记住与用户的对话过程中的用户个人信息和偏好数据

这样在智能体进行问答的时候，就可以使用用户信息进行问答了。

[问题]：番茄鸡蛋要如何炒好吃？以下是相关的回复：

【终极版番茄炒蛋】  
准备时间：8分钟  
烹饪时间：6分钟  

食材清单：  
- 番茄 2个（熟透多汁型）  
- 鸡蛋 4个（土鸡蛋更佳）  
- 蒜末 1瓣  
- 盐 1/2茶匙（分两次用）  
- 白胡椒粉 1小撮  
- 香油 3滴（关键！）  

🔥制作步骤：  
1. 【黄金蛋液】鸡蛋加1/4茶匙盐、白胡椒粉、3滴香油，用筷子Z字形搅打100次至起泡（空气感关键）  
2. 【爆香技法】冷锅下2汤匙油，烧至180℃（油面微微波动）时倒入蛋液，待底部定型后用筷子快速画圈搅拌，形成云朵状嫩蛋盛出  
3. 【番茄处理】番茄不去皮切大块，用钢勺刮表皮使果肉松弛，中火煸炒至果肉融化出沙（加1小撮盐加速出汁）  
4. 【终极融合】将嫩蛋回锅，沿锅边淋1勺番茄汁，颠锅3次让蛋吸饱汤汁立即关火  

💡大厨机密：  
1. 鸡蛋液加香油能形成保护膜锁住水分  
2. 炒蛋时锅要烧到冒青烟再倒油（专业称"炙锅"），绝对不粘  
3. 最后撒葱花前滴2滴镇江香醋（隐形提鲜术）  

（根据您上次询问记录，特别增加嫩度控制方案：喜欢滑蛋效果可在蛋液加1/2茶匙水淀粉）  

[结果]：可以在"记忆库管理"列表中对应的"食物记忆库"中进行查询并显示以下结果。

这样就把变量中food识别到"番茄炒蛋"的关键词，记录了下来并且写入到"食物记忆库"中。

1. "变量记忆"解决的问题：

openJiuwen在智能体对话中，通过保存变量的记录作用，从‌可追溯性‌角度来看，核心在于为每一次交互提供‌完整的路径留痕数据‌，可以在智能体的输出过程可控、可复盘。

• 1.全过程操作留痕‌：

变量记忆会系统性记录对话中各阶段的关键数据状态，如匹配到变量的字段就会存储这些记录构成了一条完整的“执行日志”，使得任意一次响应都能回溯到其生成时的具体上下文环境，便于后期排查问题或验证逻辑合理性。

• 2.支持精准调试与归因分析‌：

当智能体输出异常或不符合预期时，开发者可通过查看历史"变量记忆"的变化轨迹，快速定位是哪一步输入或规则触发了错误路径。这种细粒度的追踪能力极大提升了问题诊断效率，尤其适用于复杂业务流程中的故障排查。

• 3.满足合规与审计要求‌：

在金融、医疗、政务等高合规性要求的场景中，智能体的每一个决策都需有据可查。"变量记忆"的持久化记录提供了可靠的数据支撑。

简言之，从可追溯性出发，"变量记忆"不仅是技术调试的“黑匣子”，更是企业级智能体实现‌可信、可控、可审计‌运行的关键基础设施。

2. "变量记忆"记录的技巧：

在有些时候，通过对话发现没有被记录的变量，在"变量记忆"记录，查询是为空的，可以在智能体对话的调试中查看变量的记录情况，以下就表示智能体动态的获取到了food变量为"西红柿炒蛋"，即可表示在"变量记忆"记录表中，也会被记录存档下来。

---

四、记忆库场景二：（跨智能体记忆）：

上面我们通过的是"食谱星"智能体可以看到可以通过记忆库保存了记录，那么，我们通过其它的智能体同样使用这个记忆库，那么，我们如何实现呢？

首先我们在"食谱星"智能体咨询一个问题，“牛肉”

接下来我们再创建一个健康饮食的智能体，作用是菜谱和食材分析一下有多少拉卡，帮忙优化与建议健康饮食，同理，跟上次一样：

• 将变量配置中，添加一个"food"的变量，变量名称为"食物名称"，需要点击"添加"按钮才能真正的添加成功。
• 启用长期记忆，启用后，智能体将能够记住与用户的对话过程中的用户个人信息和偏好数据

## 人设
我是一名专业的营养师和餐饮顾问，擅长分析菜单结构并提供健康饮食建议。我的专长包括营养学、食品科学和健康餐饮规划。

## 任务描述
分析当前菜单的卡位设置（包括菜品分类、价格区间、营养搭配等），找出可能存在的健康隐患或不合理之处，并提供改进建议，目标是帮助餐厅提供更健康的菜单选择，同时保持商业可行性。

## 约束条件
1. 分析需基于提供的菜单数据
2. 建议需考虑实际可操作性
3. 兼顾营养价值和商业需求
4. 按照<输出格式>输出
5. 按照<执行步骤>一步一步执行

## 执行步骤
1. 收集并整理菜单数据（菜品名称、分类、价格、主要原料等）
2. 分析当前菜单卡位设置（如开胃菜、主菜、甜点等分类占比）
3. 评估营养均衡性（蛋白质、碳水、脂肪、维生素等配比）
4. 识别高盐、高糖、高脂菜品
5. 分析价格区间分布
6. 提出改进建议（包括但不限于：增加健康选项、调整菜品配比、改良烹饪方式等）

## 输出格式
### 菜单卡位分析报告

#### 1. 当前菜单结构
- 分类占比：
  - 开胃菜：{{占比}}%
  - 主菜：{{占比}}%
  - 甜点：{{占比}}%
  - 饮品：{{占比}}%

#### 2. 营养分析
- 蛋白质来源分布：
  - 动物蛋白：{{占比}}%
  - 植物蛋白：{{占比}}%
- 平均每份菜品：
  - 热量：{{数值}}kcal
  - 盐分：{{数值}}g
  - 糖分：{{数值}}g

#### 3. 主要问题
- {{问题1}}
- {{问题2}}
- {{问题3}}

#### 4. 健康建议
- 结构调整：
  - {{具体建议1}}
  - {{具体建议2}}
- 菜品改良：
  - {{改良建议1}}
  - {{改良建议2}}
- 新增选项：
  - {{新增建议1}}
  - {{新增建议2}}

接下来直接对话，我并没有说"牛肉"，只是咨询"帮我查一下"，在"菜品健康卡拉智能分析助手"可以通过变量的上下文，自动联动到"牛肉"上面。

在记忆列表中，也是可以看到"牛肉"的记忆数据。

1. "跨智能体记忆"解决的问题：

openJiuwen记录历史变量的核心作用是让智能体具备‌上下文记忆与状态追踪能力‌，从而实现连贯、精准、有逻辑的多轮交互。它不只是记住你说过什么，更是理解对话背后的意图演进和信息关联，让AI像一个真正懂你的伙伴那样回应。

• 1.维持对话一致性‌：
  智能体能基于你之前提供的信息（如身份设定、偏好、任务目标）持续调整回答，避免重复提问或前后矛盾。比如你在构建一个职场顾问智能体时提到“用户是IT从业者”，后续所有建议都会自动贴合这一背景。

• 2.支持复杂任务拆解与推进‌：
  对于需要分步骤完成的任务（如撰写报告、制定计划），系统通过记录中间状态和已完成环节，帮助智能体判断下一步该做什么，实现“记得做过什么，知道接下来该做什么”的流程化执行。

• 3.增强个性化响应能力‌：
  历史变量会积累用户的表达习惯、关注重点和反馈倾向，使智能体逐渐“熟悉”用户风格，输出更符合预期的内容。例如，如果你偏好简洁直接的回答，系统会在后续交互中自动调整语气和结构。

• 4.支撑可追溯性‌：
  所有变量变化过程都被记录，不仅便于开发者调试智能体行为路径，也支持后期回溯决策依据，确保每一次输出都有据可依，特别适用于企业级应用中的合规审查与效果评估。

• 5.赋能智能体长期记忆‌：
  相比传统对话模型仅依赖单次会话窗口，openJiuwen的历史变量机制可实现跨会话的记忆保留（在权限允许范围内），让智能体真正具备“成长性”，能够延续之前的认知继续学习和响应。

总的来说，"跨智能体记忆"是构建‌高智能、可信赖、可持续交互的AI系统‌的重要基石，尤其在企业级智能体开发中，它让自动化服务从“片段式应答”升级为“全流程陪伴”。

---

五、记忆库场景三：（历史摘要）：

openJiuwen记忆库历史摘要，是系统对智能体在多轮对话中积累的‌关键交互信息进行结构化提炼后的浓缩记录‌，它的核心作用不是简单存储聊天内容，而是提取对话中的重要状态、决策节点和用户意图，形成可读、可查的历史摘要记录。

用户询问3种档位的蛋炒饭食物菜谱制作推荐。助理推荐了基础版蛋炒饭、进阶版蛋炒饭、五星级版蛋炒饭3种规格的食材清单和食材清单。

与原始会话日志不同，历史摘要更侧重“理解”而非“记录”，它通过语义分析自动识别出以下几类关键信息：

• 用户核心诉求与目标变更轨迹‌：比如从“想了解职场规划”逐步聚焦到“35岁IT人如何转型AI方向”，系统会标记这一意图演化过程。
• 已确认的事实信息‌：如用户身份（IT从业者）、偏好（节能环保）、关注点（职业发展、合规性）等，供后续对话直接调用。
• 任务执行的关键里程碑‌：例如“已完成需求分析”“已生成初版提示词”，帮助智能体判断进度。
• 用户反馈倾向与满意度信号‌：通过表达语气或明确评价，识别出哪些回答被认可、哪些需要调整，用于后续优化策略。

1. 历史摘要机制的价值在于：

• 提升响应效率‌：智能体无需回溯整段对话，只需读取摘要即可掌握全局，加快响应速度；
• 支持跨会话延续‌：在用户再次发起对话时，智能体能基于摘要快速“唤醒记忆”，实现无缝衔接；
• 强化决策可解释性‌：每一项建议都有据可依，便于追溯“为什么给出这个回答”；
• 降低存储与计算开销‌：相比保存全部原始数据，摘要更轻量，更适合长期留存与调用。

尤其在构建面向金融、政务等高合规性场景的智能体时，历史摘要不仅是记忆载体，更是‌服务审计的重要依据‌。

---

六、总结：

本文围绕 openJiuwen 平台的独立记忆库、跨 Agent 共享与智能体全流程构建，以“食谱星”等智能体为落地案例，系统阐述了记忆机制在企业级 AI 智能体体系中的核心价值、技术实现与真实业务场景。

（1）变量记忆——精准结构化记忆，实现可控可审计

• 把对话中的关键信息（如食材 food）抽取为结构化变量并持久化；
• 解决：上下文断裂、关键信息丢失、调试困难、合规无依据等问题；
• 价值：对话可追溯、流程可复盘、输出可控制，是企业级智能体的“黑匣子”。

（2）跨智能体记忆——打破孤岛，实现多 Agent 协同

• 多个智能体（如“食谱星”+“健康饮食分析助手”）共享同一记忆库；
• 用户在 A 智能体提过的内容，B 智能体可直接复用，无需重复交代；
• 解决：多系统信息割裂、重复询问、体验碎片化、业务流程不通畅等痛点；
• 价值：实现一次记忆、全域可用，真正支撑复杂业务流的端到端执行。

（3）历史摘要——轻量化长期记忆，提升效率与体验

• 不存全文对话，而是自动提炼核心意图、关键事实、任务里程碑、用户偏好；
• 解决：长对话上下文膨胀、检索慢、重复理解、跨会话断档等问题；
• 价值：智能体“快速回忆”，响应更快，跨会话无缝衔接，同时降低存储与计算成本。

openJiuwen 的独立记忆库与跨 Agent 共享机制，本质是为复杂任务、长期交互、多智能体协同提供基础设施：

• 对开发者：降低智能体构建门槛，可视化配置记忆、知识库、提示词，快速上线；
• 对业务：智能体不再是片段式应答，而是能记住用户、记住进度、记住规则、记住偏好的持续服务；
• 对企业：满足可追溯、可审计、可调试、可迭代的合规与管理要求；
• 对用户：体验从“每次都要重新说”变成“AI 一直记得我”，连贯、自然、高效。

openJiuwen 通过独立记忆库 + 跨 Agent 共享 + 变量/摘要/跨端三大场景，真正实现了“记得住、理得清、用得上、能共享、可成长”的企业级 AI 智能体体系。