智能体记忆标准化：来自 OpenTelemetry 的经验教训

当前 AI 智能体记忆的现状是碎片化。从特定于仓库的指令文件（如 AGENTS.md 和 .cursor/rules/*.mdc）到专门的记忆服务器、知识图谱以及托管服务（如 GitHub Copilot Memory），目前还没有一种通用的语言来规定智能体如何存储、检索和共享信息。这种互操作性的缺失意味着一个智能体获得的知识往往被困住，无法被其他工具或同一智能体的后续迭代所利用。

建立共享记忆标准的理由

智能体记忆目前的状态类似于 2019 年之前的可观测性行业。在 OpenTelemetry 出现之前，可观测性供应商依赖于专有代理、自定义检测库和孤立的数据格式。该行业只有在供应商同意在四个关键支柱上实现标准化后才走向成熟：

  1. 数据模型：定义 span、metric 或 log 记录的实际含义。
  2. 语义约定：建立共享的命名模式（例如 service.name）。
  3. 协议：统一的数据传输方式（OTLP）。
  4. 参考实现：共享的 SDK 和收集器。

通过对这些层进行标准化，供应商将竞争重点从数据格式转移到了构建在这些数据之上的增值服务——存储、分析和可视化。支持“开放智能体记忆”标准的人士认为，类似的方法将允许开发者构建能够跨平台互操作的记忆感知智能体，同时仍然允许供应商在他们提供的智能和检索机制上进行竞争。

解决碎片化问题

现有的记忆解决方案在实现上差异巨大，从简单的 Markdown 文件到复杂的时序知识图谱不等。拟议的标准需要解决两个不同的问题：

  • 导出：在不同供应商或平台之间迁移记忆包的能力。
  • 实时寻址：多个智能体（例如 CI 机器人、编辑器智能体和审查工具）同时读写同一个记忆存储的能力。

潜在的规范可能需要一种结构化的记录格式——例如 JSON 或带有 YAML 前置元数据的 Markdown 文件——包含诸如 address、identity、lifecycle 和 provenance（谁编写了该记忆）等元数据。这将允许不同的工具解析相同的数据，同时忽略它们不支持的属性。

社区观点与质疑

尽管标准化的推动力正在增强，但社区对于行业是否准备好进行这种转变仍存在分歧。批评者提出了几个反驳观点：

  • “Transformer”论点：一些开发者认为，由于 LLM 非常擅长解释非结构化的自然语言，僵化的格式是不必要的，甚至可能适得其反。正如一位评论者所指出的：“我们强加给系统的结构越僵化，这些智能体的效率就越低。”
  • 过早标准化：许多人认为这项技术还太稚嫩。“我认为我们还没有理解处理上下文和记忆的正确方法，”一位观察者写道，并暗示现在进行标准化可能会导致类似“SOAP 或 SGML”的臃肿。
  • “无形记忆”目标：其他人认为记忆应该对用户和开发者完全不可见。如果存储层足够有效，它应该在无需手动配置或标准化文件格式的情况下无缝工作。
  • 安全与投毒：共享记忆格式引入了新的攻击向量。如果多个智能体可以写入共享存储，就会产生潜在的提示词注入通道，因此需要强大的签名和验证机制。

前进方向

尽管存在质疑，但定制记忆解决方案的激增表明潜在的问题是真实存在的。无论是通过正式的基金会主导的工作组，还是通过现有开源项目的有机融合，行业目前正在权衡创新与互操作性之间的利弊。目前，重点仍然是构建能够有效管理上下文的工具，而“通用”格式的问题很可能会随着生态系统的成熟和特定模式证明其长期效用而得到解决。

Sources