Acontext：一個透明的技能記憶層，將代理學習以可編輯的 Markdown 檔案儲存

它解決了什麼問題

Acontext 提供一個透明、易於人類閱讀的 AI 代理記憶層。它解決了「不透明」代理記憶的問題——學習內容被隱藏在複雜的向量嵌入或專有資料庫中——透過將代理的技能與知識以簡單的 Markdown 檔案儲存，讓這些檔案可以被閱讀、編輯，並在不同的 LLM 與框架之間共享。

它如何運作

Acontext 透過蒸餾與召回的循環運作：

1. 儲存（學習）： 系統監控會話訊息。當任務完成或失敗時，LLM 驅動的蒸餾過程會分析執行軌跡，判斷哪些做法有效、哪些失敗。接著「Skill Agent」會根據使用者自訂的 schema，將這些學習寫入 Markdown 檔案。
2. 召回（使用）： 代理不再使用語意搜尋（top‑k），而是透過特定工具（get_skill 與 get_skill_file）明確取得所需的知識。這讓代理能自行推理要檢索哪筆資訊，實現逐步揭露的過程。

目標對象

開發 AI 代理的開發者，想讓代理從錯誤中學習、重複使用成功策略，且不被特定供應商、資料庫或框架（例如 LangGraph、Claude、或 Vercel AI SDK）鎖定。

重點特色

• 人類可讀的記憶： 所有記憶皆以 Markdown 檔案儲存，便於除錯、使用 Git 進行版本控制與檢視。
• 框架無關性： 只要能讀取檔案的框架皆可使用，避免 API 鎖定。
• 代理迴路檢索： 使用工具式檢索取代不透明的向量搜尋。
• 可攜帶的知識： 技能可匯出為 ZIP 檔，並在不同代理或 LLM 之間搬移。
• 整合工具鏈： 包含虛擬永久檔案系統（Disk）、隔離程式碼執行環境（Sandbox），以及 Python 與 TypeScript 的 SDK。