面向智能体LLM系统的共享选择性持久记忆

经多轮工具使用生成代码的智能体LLM系统面临根本性上下文问题：每个会话从零开始，丢弃使既往会话高效的配置选择、领域约束、数据模式与工具使用模式。朴素地持久化整个对话历史既耗token又适得其反——无关上下文损害生成质量。我们提出共享选择性持久记忆：识别并保留四类可复用上下文（任务规格、数据模式、工具配置、输出约束）而丢弃会话专属推理痕迹的架构。关键在于该记忆是共享的：封装选择性记忆的工作区可经基于角色的访问控制在用户间转移——支持协作复用而免于冗余规格。我们在已部署的协作工作区平台实现它：LLM智能体从异构来源（CSV、SQL、REST API与MCP服务器）生产、编辑并维护git版本化的工件（仪表板、报告与数据驱动文档）；配套的零token数据刷新机制把生成程序与运行时数据解耦——工件复用无需重新调用。跨三个企业场景：共享选择性持久记忆取得96%任务完成率（无记忆79%、全历史71%）；零token刷新消除周期性更新的LLM重调用（任务时间降14倍），摘要驱动生成较原始数据注入把每次调用token成本降97倍；四个公开数据集的复现确认泛化性——零token刷新12/12成功。值得注意的是，朴素全历史持久化因让智能体受陈旧轨迹偏置而主动损害完成率，选择性记忆优于两个极端。