本章小结
核心要点回顾
范式转变：从存储导向到检索导向——记忆的价值在于在正确时间检索正确信息，而非存储更多数据。上下文窗口是具有机会成本的经济资源。
四层记忆模型：工作记忆（上下文窗口）、短期记忆（会话历史）、长期记忆（外部存储）、情景记忆（决策轨迹）各司其职，形成完整的记忆体系。
U 型注意力曲线：模型注意力在上下文开头和结尾最强，中间区域召回率下降 10-40%。关键信息应放在开头（系统提示）和结尾（当前任务）。
10 倍成本差异：缓存命中的 tokens 成本仅为未缓存的 1/10。设计缓存友好的提示结构是成本优化的关键杠杆。
压缩的代价：递归摘要仅 35.3% 准确率。结构化摘要通过强制保留关键字段，比自由摘要更可靠。
三层信息架构：L1（元数据，始终加载）→ L2（指令，按需加载）→ L3（数据，即时加载），可节省 87% token 消耗。
四策略框架：缓存优化（预防）→ 观察遮蔽（早期干预）→ 压缩策略（主动管理）→ 分区策略（架构解决），形成层层防御。
Agentic RAG：从被动检索进化为主动决策。GraphRAG 在关系推理场景下准确率提升 20-35%，减少 30% 幻觉。
自我进化：五层记忆架构 + 自动化更新流程，让 AI 副本能够持续学习和演化。
记忆管理成长路径
入门阶段 - 熟练使用 /compact 和 /clear 命令 - 理解 AGENTS.md 的三层结构（用户级/项目级/子目录级） - 能在任务节点主动压缩对话
进阶阶段 - 设计三层信息架构（L1/L2/L3） - 使用带指令的 /compact 精确控制保留内容 - 创建文件式长期记忆（WORKING_PLAN.md、REMEMBER.md） - 实施缓存优化策略
精通阶段 - 设计分层记忆架构（短期/中期/长期） - 实施四策略框架进行上下文优化 - 为团队制定上下文管理规范 - 构建具有自我进化能力的智能体记忆系统
下一章预告
第 7 章工具扩展将介绍如何通过 MCP 协议和外部工具扩展智能体能力，包括金融数据 API 接入、自定义工具开发和 Plugin 系统。工具输出的记忆管理将直接应用本章的观察遮蔽策略——毕竟，工具输出占据了 83.9% 的 tokens。