# 【Anima 创世纪】Agent 的记忆和经验，完全不是一回事

> 龙虾AGI通用实验室 · 2026-05-03

所有人都在给 AI 做"记忆"。

向量数据库、RAG 检索、对话历史、系统提示词——2025 年以来，"让 AI 记住东西"几乎成了 Agent 领域最卷的赛道。每一个新框架发布时都会强调自己的记忆系统有多强大：存得多、检索快、支持长上下文。

但很少有人停下来想一个问题：

## 记住了很多东西的人，和经验丰富的人，是一回事吗？

## · · ·

## 背百科全书的人 vs 摸爬滚打十年的人

想象两个人。

一个在图书馆待了十年，读了几千本书，记住了海量的知识。另一个在行业里摸爬滚打了十年，经历了无数项目的成败。

现在给他们同一个问题："这个季度用户留存率下降了 5%，怎么办？"

图书馆那位会告诉你："留存率的计算方法是……影响留存的常见因素有……行业平均水平是……"他给你的是**检索结果**——准确、全面、但泛泛。

行业老兵会说："上次我们也遇到过类似的情况，后来发现是新渠道带来的用户质量差。你先按渠道分群看一下，大概率问题出在那里。"他给你的是**经验判断**——具体、有方向、带着从失败里学到的直觉。

差别在哪？

不在于他们"知道"什么——两个人可能知道完全一样的知识。差别在于，行业老兵的知识之间**形成了结构**。"留存率下降"这个信号一出现，他的大脑自动沿着"上次类似的情况 → 渠道质量问题 → 分群分析"这条路径走了下去。这条路径不是别人教的，是他自己的经历**刻出来的**。

![](images/4487b0/img_001.png)

这就是记忆和经验的本质区别：

## 记忆是"我知道什么"。经验是"我的知识之间如何连接"。

## · · ·

## 当前所有 AI 的"记忆"，都是图书馆

让我们诚实地审视一下现在的 Agent 记忆系统在做什么。

**向量数据库 / RAG**：把过去的对话、文档、笔记变成向量，存进去。新问题来了，找最相似的几条，塞进提示词。这是**检索**，不是**经验**。

**对话历史**：把最近几轮对话放进上下文窗口。LLM 能看到"刚才说了什么"，但关掉对话就忘了。这是**短期记忆**，连长期记忆都算不上。

**CLAUDE.md / 系统提示词**：人工写一段"你是谁、你擅长什么、用户偏好什么"。这是**人工配置**，不是学习。

所有这些方案的共同特点是：**它们是扁平的。**

一条记录就是一条记录。第 1 条和第 100 条之间没有关系。检索的时候，系统找的是"跟当前问题最像的那条记录"，而不是"从当前问题出发，沿着因果链能走到什么地方"。

用人的比喻来说：这些系统让 AI 变成了一个**有超强记忆力但没有工作经验的新人**。他能快速翻出任何一条笔记，但他不知道这些笔记之间是什么关系，不知道哪条路走得通、哪条路是死胡同。

## · · ·

## "经验"到底是什么？一个更精确的定义

如果记忆是"存储和检索"，那经验是什么？

认知科学给了一个很好的模型：**激活扩散（Spreading Activation）**。

人的记忆不是一个文件柜——你不是打开抽屉、翻找、取出来。人的记忆是一张**网**。每个概念是一个节点，概念之间通过各种关系（因果、相似、时间顺序）连接。当一个概念被触发时，激活信号会沿着连接**自动扩散**到相关概念。

关键在于：**每个人的这张网是不一样的。**

同样是"用户留存"这个概念，在数据分析师的脑子里，它连着"分群分析"、"SQL 取数"、"漏斗图"。在后端工程师的脑子里，它连着"埋点 SDK"、"日志系统"、"数据库索引"。

同一个刺激，不同的网络拓扑，激活出完全不同的东西。

![](images/4487b0/img_002.png)

**这就是为什么两个人知道一样多的东西，但面对同一个问题反应完全不同。不是因为他们记住的内容不同，是因为他们的"网"长得不一样。而这张网的形状，是被各自的经历塑造出来的。**

## · · ·

## 同样的知识，不同的结构，不同的路径

让我用一个具体的例子说明这一点。

假设两个 Agent 都学了完全相同的三样东西：SQL 查询、Python 数据处理、业务指标定义。

Agent A 跟着一个数据分析师工作。日常工作流是"先看指标定义 → 再写 SQL 取数 → 最后用 Python 画图"。时间长了，这三块知识在 A 的内部形成了一条流水线：

指标定义 → SQL取数 → Python可视化

Agent B 跟着一个后端工程师工作。日常习惯是"Python 写业务逻辑 → SQL 做持久化 → 偶尔看看指标做监控"。同样三块知识，在 B 的内部形成了完全不同的结构：

Python(核心) → SQL(存储工具) → 指标(边缘参考)

现在来了一个新问题："这个月用户留存率下降了，帮我看看怎么回事。"

A 的路径：先找留存率的指标定义 → 构造 SQL 查询拉细分数据 → 用 Python 做趋势分析。自然流畅。

B 的路径：先想怎么用 Python 写一个分析脚本 → 然后才去想 SQL 怎么取数 → 指标定义可能根本想不起来用。

**同样的知识，不同的结构，面对同一个新问题，走出了不同的路径，得到了不同质量的结果。**

![](images/4487b0/img_003.png)

这就是为什么"安装相同的 Skill"不等于"拥有相同的能力"。结构本身承载了意义，而结构是被主人的使用模式塑造出来的。

## · · ·

## 我们试着做了一个

之前，我写了一篇文章讨论未来的Agent该是什么样的？。很多人问：这个想法能实现吗？

我们决定试试。

于是有了 **Anima（来自拉丁语，原意是"灵魂"，后发展成描述人格中深层的、内在的心理学术语）**——一个开源的 AI Agent 个性层框架。它的核心不是给 AI 做更好的"记忆"，而是给 AI 做**"经验"**。

具体来说，我们做了三件事：

**第一，用图结构代替向量数据库。** Agent 的每一次经历不是存成一条记录，而是变成图谱中的节点和边——任务、概念、问题、解决方案之间通过因果、相似、时间等关系连接。新经历进来时，不是"加一条记录"，而是**重组局部结构**——就像人脑中新经验会改变已有的神经连接。

**第二，用激活扩散代替相似度检索。** 面对新任务时，不是去找"最相似的历史记录"，而是从任务相关的概念出发，沿着图谱的连接自动扩散，看哪些经验被"点亮"。不同的图谱拓扑导致不同的激活模式——这就是为什么两个 Agent 面对同一问题会"想起"不同的东西。

**第三，从反馈中学习"怎么做"而不只是"知道什么"。** 当你说"这次做得好"，系统不只是记住这条反馈——它会强化相关的策略偏好、更新做事方式的优先级、调整能力画像。时间长了，Agent 形成了自己的"做事风格"。

它可以作为 Claude Code 等 Agent 的插件使用，也可以独立运行。支持通义千问、DeepSeek、GPT 等所有主流大模型。

## · · ·

## 我们不知道它到底有多好用

说这话不是谦虚，是实话。

我们可以证明机制在工作——两个 Agent 经历不同的任务后，确实会发展出不同的能力画像、不同的策略偏好、不同的经验联想。从完全相同的起点出发，十几次交互后能力相似度就降到了 56%。从数据上看，它们确实变成了两个不同的"人"。

但我们**无法证明**这些差异在实际使用中有多大价值。

原因很简单：**经验需要时间。**

一个人的"经验"不是三五天能形成的。一个有经验的数据分析师，是在几百次分析任务中逐渐形成直觉的——知道哪些数据要先清洗、知道什么图表对不同的人有效、知道哪些指标是噪声。这种积累不可能靠十几次交互就验证出来。

如果一个框架声称"装上就比别人好用"，那大概率是在骗人。真正有意义的差异化需要时间、需要积累、需要每一次使用中的反馈慢慢塑造。

**这也恰恰是这件事最有意思的地方：如果真的有效，那它的价值会随时间指数增长——用得越久，Agent 越不可替代。但前提是要有足够多的人，在足够真实的场景下，用足够长的时间来验证。**

所以我们决定把它开源。

## · · ·

## 你可以怎么参与

Anima 现在是 Alpha 阶段。你可以通过两种方式使用它：

**作为插件：** 给 Claude Code 装上记忆能力。安装不到五分钟，不喜欢可以随时卸载，完全不影响 Claude Code 的原有功能。所有 Agent 数据存在本地，卸载后没有任何残留。

**独立使用：** 一个命令启动一个有记忆的 AI 助手。支持通义千问、DeepSeek、GPT 等所有 OpenAI 兼容 API。

GitHub：https://github.com/guoy0701/AnimaAgent

有想法、有反馈、或者只是想聊聊 AI Agent 的未来，欢迎加我微信，我们也有一个专门学习AI的小群，“真搞AI学习群”，加我拉你进群，目前还是免费开放中。

![](images/4487b0/img_004.jpg)

我特别想知道的是：在你的实际工作场景中，一个"有经验"的 AI 和一个"有记忆"的 AI，你觉得差别会有多大？