自我改进的软件记忆

HN LLM Code Research 2026-09-11T18:31:13.190496

AI 智能体环路

一个会遗忘的环路，只是一条更快的直线。真正有意思的地方不在于智能体能写软件，而在于每一轮都能让下一轮更省力。

核心论点

大多数智能体的运行方式，都是每一轮从零开始。模型读代码、形成假设、动手尝试、失败、再试，最后总算搞定。然后会话结束，前面这一整套推理全被扔掉。下一个智能体接手下一张工单时，又要为同样的调查再付一次代价。

解决思路不是换更大的模型，也不是把上下文窗口撑得更大，而是给这个环路一个地方存放学到的东西，再给下一个智能体提供一条便宜的查找路径。这样一来，一张完成的工单产出的就不只是一个提交，还有知识、后续任务，最终甚至会改变智能体本身的运作方式。

环路

人类写工单。智能体认领一张，然后跑完整个环路。

干活之前先搜记忆，干完之后再记下一条心得——正是这两步，让这套做法区别于在终端里直接跑一个智能体。中间其他的部分都是常规工程。它的价值在于：一轮的最后一步，会成为下一轮第一步的输入。

工单是共享状态

当多个智能体同时运行，跨多台机器、跑在不同模型上时，它们得知道哪些活已经有人在干。Git 回答不了这个问题。分支只能告诉你别人完成了什么，不能告诉你二十分钟前谁刚动手开始。

一套共享的工单系统能回答。认领状态是集中式的，更新即时生效，所以分配这件事，智能体直接读就行，不用去猜。这才让跨机器的并发变得可接受，而不是变成一个合并难题。

心得就是记忆

一条心得是一小段结构化记录：标题、触发条件、正文，以及它来自哪个项目和哪张工单。其中最重要的是触发条件。它用一句话描述这条知识在什么时候有用——注意，不是知识本身。

智能体并不会把所有心得都加载进来。它们加载的是一份触发条件索引，很轻量；只有当某个触发条件命中眼前的工作时，才去取回完整的正文。

加载触发条件索引。很小，每次都会加载。

把触发条件和手头的工作做匹配。

只有当这段学习很可能派上用场时，才把完整内容取出来。

目标不是囤积知识，而是积累知识的同时不让每次未来的提示词都变大。一个运行了一年的项目，应该能存下一年里辛苦积累的细节，又不用让每个智能体都为携带全部内容而付出代价。

衡量标准是「每个正确工单消耗的 token 数」

没有记忆时，一个循环是这样的：检查、假设、测试、失败、再检查、发现。有了记忆，循环可以变成：搜索、检索、继续。如果这种替换真的成立，它会在曲线上体现出来。

每个成功完成的工单所消耗的 token 数和实际耗时，是值得盯住的指标，同时还要看重试次数、检索频率，以及工单被重新打开的概率。工单的难度并不一样，所以原始曲线需要先做归一化才有意义。但预期的方向是明确的。

正确性是约束条件，不是可以交换的筹码

目标不是拿质量换速度。正确性是必须的。在正确的解决方案中，再尽量少用 token、少花时间。

这个思路只适用于能够真正判定正确性的项目——工单要么能跑通，要么跑不通。在一个连自己是否正确都判断不了的系统上做成本优化，只是换一种更便宜的方式犯错。

记忆放在哪里

有充分理由把工单和学习记录放在代码仓库里。文档放在它所描述的代码旁边时最准确，把记忆存进 Git 还能免费获得版本历史、就近访问和评审流程。Fluent 是我在旧金山「自我改进软件」聚会上了解到的一个项目，它就把学习记录存在 Git 里。它目前不把工单存在那里，不过作者对这个想法很感兴趣。

我正在测试另一种方案。把记忆放在代码仓库外面，每个智能体在任何机器上都能立刻看到，不用等分支或提交。智能体可以在信息还有用的时候，就知道某项工作已经开始，或者某个发现已经被记录下来。

外部记忆牺牲的是可审查性和版本历史，换来的是即时性。这只是一个假设，不是结论。这笔交易哪一方更划算，正是这个实验应该能够回答的问题。

记忆必须会衰减

只增不减的记忆会变成负担。经验会过时，互相矛盾，还会重复。今天靠人来审核，这没法规模化，积累到几千条就撑不住了。

自我调节的版本用检索本身作为信号。

记忆应该能够遗忘、合并和纠正自己。积累只是容易的那一半。

技能是过程记忆

每个 agent 在开始之前都会加载一套共享的操作技能。它和项目知识分开，回答的是另一个问题。学习库回答的是这个项目已经学到了什么？技能回答的是 agent 应该如何在系统内工作？

今天这套技能是由人维护的脚手架：加载索引，动手前先搜索，认领工单，记录发现，检查重复，提交，必要时通知其他 agent。真正有意思的一步是让 agent 来改它。到那时，系统学到的不再只是关于代码库的事实，而是在学它的 agent 应该怎么工作。

这必须是有度量的自我修改，而不是自由地自我编辑。技能变更和其他变更一样：要对照 token、时间和任务完成情况来评估，一旦让情况变糟就回滚。回滚路径才是敢于放开自主权的前提。

自我改进的五个层次

“自我改进”这个词被用得太随意了。值得把实际主张的东西分清楚。

Agent 完成任务并修改代码。这就是普通的软件开发，哪怕开发者是一个模型。

Agent 把自己发现的东西保留下来。下一个 agent 直接继承答案，不用再为同样的调查付一遍代价。

工单状态和记忆跨模型、跨机器共享。并行工作不再依赖某个 agent 去猜另一个在做什么。

使用信号显示出哪些经验和流程真正有用。记忆被排序、合并、清理，而不是只增不减。

智能体改变的是后续智能体运行时所使用的工作技能。这些改变要根据结果来衡量，决定保留还是回滚。

大多数被称为「自我改进软件」的东西都停留在第 1 级。第 1 级到第 2 级之间的差距，正是复利效应开始的地方；而第 4 级到第 5 级之间的差距，则是系统不再只是一堆编码智能体的分界线。

测试项目

一个理想的测试平台很难搭，它得大到重新发现成本很高，并行度足够让多个智能体同时跑，同时又足够确定，让正确与否可以判定。一台机器上同时跑三四个智能体，再加一个联合创始人的机器，横跨 Codex、Cursor、Claude，以及其它值得一试的工具。哪个模型跑哪张工单，故意不纳入架构设计。共享的工单、记忆、代码仓库和技能，才是连续性所在的那一层。

尚未解决的问题

这些与其说是实现上的空白，不如说是下一轮的实验课题。

一个可用的定义

自我改进软件是这样一种开发系统：一个循环的产出，能降低下一个循环的成本、提升速度、增加知识或优化运行流程，同时正确性始终是一条硬约束。

查看原文