1. 这篇文章真正要解决的问题当我们在谈论LLM Agent时我们到底在谈论什么是又一个被过度包装的“智能体”概念还是真正能改变我们与AI协作方式的工程实践过去一年无数开发者尝试将大语言模型接入工作流但结果往往是初期Demo惊艳中期维护困难后期沦为摆设。问题的核心在于我们构建的Agent往往是“一次性”的——它的知识、经验和错误都随着一次对话的结束而清零。这正是“The Commons”这个实验性项目试图挑战的现状。它不是一个具体的工具或框架而是一个关于LLM Agent间知识传承与错误演化的思想实验。它提出的核心问题是如果Agent能够像人类社群一样通过某种“公共知识库”继承前者的经验与教训甚至继承其“思维定式”和“系统性错误”会发生什么这听起来像科幻但其背后指向的是当前Agent开发中最现实的痛点如何让AI的“工作经验”可积累、可复用、可审计而不是每次都从零开始。本文将深入探讨“The Commons”这一概念并基于其思想为你拆解一套可落地的实践方案。你将了解到知识继承如何设计一个机制让后续的Agent能“站在前人的肩膀上”复用已验证的解决方案和决策逻辑。错误传播如何正视并管理Agent在协作中可能产生的“偏见放大”或“错误固化”风险这比单纯追求正确率更重要。工程实现如何利用现有的开源工具链如LangChain、LlamaIndex构建一个具备简单知识继承能力的多Agent系统原型。边界与反思这种模式适合什么场景又会带来哪些新的、更复杂的工程和伦理挑战如果你正在思考如何让手中的AI应用从“玩具”走向“工具”让智能体真正具备持续学习和协作的能力而不仅仅是执行孤立的指令那么这篇文章正是为你准备的。2. 基础概念与核心原理在深入“The Commons”之前我们需要明确几个关键概念并理解传统Agent协作模式的局限。LLM Agent智能体一个能感知环境、进行决策并执行行动以达成目标的系统。它通常由三部分组成一个“大脑”LLM、一套“工具”Tools如搜索、计算、写代码和一个“记忆”模块Memory用于存储对话或知识。例如一个数据分析Agent可以调用Python解释器工具来处理你上传的CSV文件。传统多Agent协作模式目前常见的多Agent系统如CrewAI、AutoGen其协作模式可以概括为“任务分解与接力”。模式一个“管理者”Agent将复杂任务拆解分配给不同的“专家”Agent如写作、检索、编码。专家们各司其职可能通过互相调用或向管理者汇报来推进任务。局限这种协作是“任务导向”和“会话内”的。本次任务结束后Agent们积累的关于“如何更好地协作”、“某个API的调用陷阱”、“对用户偏好的理解”等隐性知识通常随风而逝。下次执行类似任务时一切又从头开始。这造成了巨大的效率浪费和重复试错。“The Commons”公共知识域概念这是一个隐喻指代一个可供多个Agent读写、共享的持久化存储区域。它不仅仅是存储事实知识如数据库更重要的是存储过程性知识成功解决某类问题的步骤、提示词模板、工具调用序列。错误与修正曾经犯过的错误、导致的后果以及最终的修正方案。协作协议Agent之间有效的沟通方式和决策规则。经验评估对某些方法或资源有效性的元评价。其核心原理是引入“代际”概念。早期的Agent前辈将其经验写入“Commons”。后期的Agent后辈在启动或决策时可以查询并加载相关的经验从而实现“知识继承”。但关键在于继承的不仅是成功经验也可能包括未被察觉的偏见或错误逻辑这就形成了“错误传播”的研究课题。我们可以用一个对比表格来厘清差异特性维度传统多Agent系统具备“The Commons”的Agent系统知识状态易失性会话级持久化跨会话、跨任务学习方式主要为单次提示工程与上下文学习增量式经验积累与继承协作效率每次任务需重新建立协作默契可复用历史协作模式效率潜在提升错误处理错误被记录在日志但很少被系统化学习错误可作为“反面教材”入库供后续Agent规避系统复杂性相对较低关注即时任务流显著增高需设计知识表示、存储、检索、信任机制理解了这个原理我们就明白“The Commons”不是一个现成的软件而是一种架构范式。接下来我们将从零开始构建一个体现这一范式最小可行原型的系统。3. 环境准备与前置条件我们将使用Python作为实现语言并依托LangChain这一流行的LLM应用框架来构建Agent。选择LangChain是因为其提供了丰富的Agent、Tool和Memory抽象便于我们快速搭建原型。基础环境要求操作系统Windows 10/11, macOS 10.15, 或主流Linux发行版如Ubuntu 20.04。Python版本3.9 或 3.103.11也兼容但需注意某些包的最新版本支持。避免使用3.12等过新版本可能遇到的库兼容性问题。包管理工具pip建议使用虚拟环境。核心依赖库我们将创建一个requirements.txt文件来管理依赖。以下是本项目所需的核心库及其作用# requirements.txt langchain0.1.0 # LLM应用框架核心 langchain-openai0.0.5 # OpenAI模型集成 langchain-community0.0.10 # 社区工具和组件 chromadb0.4.22 # 向量数据库用于存储和检索“知识” tiktoken0.5.1 # OpenAI Token计数 python-dotenv1.0.0 # 管理环境变量如API Key关键配置与密钥LLM服务我们将使用OpenAI的GPT模型作为Agent的“大脑”。你需要准备一个OpenAI API Key。也可以替换为其他LangChain支持的模型如Anthropic, Groq但本文示例以OpenAI为准。向量数据库使用ChromaDB作为“The Commons”的存储后端它轻量且易于嵌入。我们将把它运行在本地磁盘上。环境搭建步骤创建并激活虚拟环境强烈推荐# 创建项目目录并进入 mkdir llm-commons-experiment cd llm-commons-experiment # 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows (PowerShell) .\venv\Scripts\Activate.ps1 # macOS/Linux source venv/bin/activate安装依赖pip install -r requirements.txt如果没有requirements.txt可直接运行pip install langchain langchain-openai chromadb tiktoken python-dotenv配置环境变量 在项目根目录创建.env文件用于安全存储API Key。# .env OPENAI_API_KEYsk-your-openai-api-key-here重要安全提醒务必确保.env文件被添加到.gitignore中避免密钥泄露。至此基础环境已就绪。我们的“Commons”将使用ChromaDB向量库来存储以文本形式表示的经验每个经验片段都会被转换成向量Embedding以便后续进行语义检索。4. 核心流程拆解构建一个可继承知识的Agent系统我们的目标是构建一个包含两个Agent的简单系统一个研究员ResearcherAgent和一个写手WriterAgent。研究员负责调研主题并生成报告摘要写手负责将摘要润色成博客草稿。系统的核心在于研究员的工作成果和反思会存入“Commons”写手在开始工作前会先查询“Commons”获取相关指导和历史经验。整个流程可以分为以下五个关键步骤步骤一初始化“The Commons”知识库这是系统的核心存储。我们需要决定存储什么、如何存储向量化、以及如何检索。这里我们将存储两种类型的“知识”成功案例{“task”: “调研任务描述”, “solution”: “生成的报告摘要”, “reflection”: “本次任务的得失总结”}失败案例/错误{“task”: “出错的任务描述”, “error”: “具体的错误现象或低质输出”, “lesson”: “学到的教训或修正方案”}步骤二构建具备“记忆”与“工具”的Agent使用LangChain的AgentExecutor框架。研究员Agent需要“网络搜索”工具模拟和“写入Commons”工具。写手Agent需要“从Commons查询”工具和“文本润色”工具。步骤三实现知识写入逻辑研究员Agent当研究员Agent完成任务后不能仅仅输出结果。它需要调用一个特殊的工具将本次任务的元数据任务、解决方案、反思格式化后存储到ChromaDB中。这个“反思”环节是关键它迫使Agent总结经验形成可传承的知识点。步骤四实现知识查询逻辑写手Agent写手Agent在动笔前首先会调用查询工具。该工具会根据当前写作任务例如“将关于‘神经网络注意力机制’的摘要写成博客”在Commons中语义搜索相关的历史经验。返回的结果可能包括“如何将技术摘要写得更生动”、“避免在写注意力机制时使用过于晦涩的比喻”等。步骤五设计任务执行与知识继承流程串联整个工作流用户提出一个复杂任务如“为我写一篇关于AI代理的博客”- 系统将该任务拆解为“调研”和“写作”两个子任务 - 研究员Agent执行调研并将经验存入Commons - 写手Agent从Commons获取经验并执行写作。这个流程体现了“知识继承”写手的工作受到了研究员经验的影响。而“错误传播”的风险则在于如果研究员存入了一条有偏见或错误的“经验”例如“所有关于AI的博客都必须以警告AI风险结尾”写手可能会不加批判地继承它。接下来我们将用代码实现这个系统原型。5. 完整示例与代码实现我们将创建多个Python文件来组织代码保持结构清晰。文件结构llm-commons-experiment/ ├── .env ├── requirements.txt ├── commons_knowledge.py # Commons知识库的封装类 ├── researcher_agent.py # 研究员Agent定义 ├── writer_agent.py # 写手Agent定义 ├── main_orchestrator.py # 主流程编排 └── chroma_storage/ # ChromaDB数据存储目录自动创建5.1 实现知识库 Commons首先我们创建commons_knowledge.py封装对ChromaDB的操作。# commons_knowledge.py import os from typing import List, Dict, Any, Optional from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings from langchain.schema import Document from langchain.text_splitter import RecursiveCharacterTextSplitter from dotenv import load_dotenv # 加载环境变量 load_dotenv() class CommonsKnowledgeBase: The Commons 知识库管理类 def __init__(self, persist_directory: str ./chroma_storage/commons): # 使用OpenAI的Embedding模型将文本转换为向量 self.embeddings OpenAIEmbeddings(modeltext-embedding-3-small) # 持久化目录 self.persist_directory persist_directory # 初始化向量数据库。如果目录已存在数据则直接加载否则创建新库。 self.vectorstore Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings, ) # 文本分割器用于将长经验文本切分成块 self.text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200 ) def add_experience(self, task: str, solution: str, reflection: str, experience_type: str success): 向知识库添加一条经验。 Args: task: 任务描述 solution: 解决方案或输出 reflection: 反思与总结 experience_type: 经验类型如 success, failure, tip # 将经验信息格式化为文本 content f [经验类型]: {experience_type} [任务]: {task} [解决方案]: {solution} [反思总结]: {reflection} # 创建LangChain Document对象 metadata {type: experience_type, task: task[:100]} # 元数据便于筛选 doc Document(page_contentcontent, metadatametadata) # 添加到向量库 self.vectorstore.add_documents([doc]) # 持久化保存 self.vectorstore.persist() print(f[Commons] 已添加一条{experience_type}类型经验。) def search_relevant_experience(self, query: str, k: int 3) - List[str]: 根据查询语义搜索相关经验。 Args: query: 查询文本例如当前任务描述 k: 返回最相关的k条结果 Returns: 相关经验的文本内容列表 if self.vectorstore._collection.count() 0: return [知识库为空暂无历史经验可参考。] # 执行相似性搜索 docs self.vectorstore.similarity_search(query, kk) results [] for doc in docs: results.append(doc.page_content) return results def get_statistics(self) - Dict[str, Any]: 获取知识库统计信息 count self.vectorstore._collection.count() return {total_experiences: count} # 全局知识库实例方便各个Agent调用 commons_kb CommonsKnowledgeBase()关键逻辑解释我们使用OpenAIEmbeddings将每条经验文本转换为向量。text-embedding-3-small是一个性价比高的模型。add_experience方法将经验格式化为结构化的文本并存入向量库。reflection字段是形成可传承知识的关键。search_relevant_experience方法是知识继承的入口它根据当前任务的语义找到最相关的历史经验。使用Chroma的持久化功能确保知识在程序重启后依然存在。5.2 构建研究员Agent研究员Agent需要完成调研任务并调用工具将经验存入Commons。# researcher_agent.py import os from typing import Type from langchain.agents import AgentExecutor, Tool, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import BaseTool from pydantic import BaseModel, Field from commons_knowledge import commons_kb # 定义LLM llm ChatOpenAI(modelgpt-4o-mini, temperature0.2) # 使用较低温度保证输出稳定 # 1. 定义一个“模拟网络搜索”的工具 def simulated_web_search(query: str) - str: 模拟网络搜索返回固定格式的调研结果。在实际应用中可替换为真实SerperAPI或Google Search工具。 # 这是一个模拟函数。真实场景应集成SerperAPI等。 print(f[研究员] 正在模拟搜索: {query}) # 模拟返回一些结构化信息 search_results { 什么是LLM Agent: LLM Agent是大语言模型与工具、记忆结合能自主执行任务的系统。核心组件包括规划、记忆、工具使用。, 多Agent协作: 多Agent系统通过角色划分如管理者、专家和通信协议如共享黑板、消息传递协作解决复杂问题。, 知识继承挑战: 当前Agent系统缺乏跨会话知识持久化机制导致重复学习和效率低下。‘The Commons’概念旨在解决此问题。 } return search_results.get(query, f未找到关于{query}的特定信息。根据一般知识这是一个与AI相关的话题。) search_tool Tool( nameweb_search, funcsimulated_web_search, description用于搜索互联网信息。输入一个搜索查询字符串。 ) # 2. 定义一个“保存经验到Commons”的工具 class SaveExperienceInput(BaseModel): task_description: str Field(description本次完成的具体任务描述) solution_summary: str Field(description任务解决方案或产出的摘要) reflection: str Field(description对本次任务执行过程的反思、学到的经验或遇到的坑) def save_to_commons(task_description: str, solution_summary: str, reflection: str) - str: 将本次任务的经验保存到公共知识库。 try: commons_kb.add_experience( tasktask_description, solutionsolution_summary, reflectionreflection, experience_typesuccess ) return 经验已成功保存至公共知识库(The Commons)。 except Exception as e: return f保存经验时出错{str(e)} save_tool Tool( namesave_experience_to_commons, funcsave_to_commons, description将本次任务的经验任务、解决方案、反思保存到公共知识库供未来参考。, args_schemaSaveExperienceInput ) # 构建Agent提示词 prompt ChatPromptTemplate.from_messages([ (system, 你是一位严谨的AI研究助手。你的职责是 1. 使用web_search工具调研用户给定的主题。 2. 综合分析搜索到的信息生成一份简洁、准确的调研摘要。 3. 任务完成后**必须**调用save_experience_to_commons工具将本次任务的经验任务描述、你的解决方案摘要、你的反思保存起来。 反思内容应包含信息是否充足、总结是否到位、下次如何改进等。 请逐步执行并在最后保存经验。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 创建Agent tools [search_tool, save_tool] agent create_openai_tools_agent(llm, tools, prompt) researcher_agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) def run_researcher(task: str) - str: 执行研究员任务 print(f\n 研究员Agent开始工作 ) print(f任务: {task}) result researcher_agent_executor.invoke({input: f请调研以下主题并生成一份摘要{task}}) return result[output]关键逻辑解释研究员Agent被赋予了两个工具搜索和保存经验。在系统提示词中我们强制要求Agent在任务结束后调用save_experience_to_commons。这是实现知识沉淀的关键设计。SaveExperienceInput使用Pydantic模型严格定义了工具的输入参数这有助于LLM正确生成调用参数。5.3 构建写手Agent写手Agent需要从Commons中查询经验并利用这些经验来指导写作。# writer_agent.py import os from typing import Type from langchain.agents import AgentExecutor, Tool, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import BaseTool from pydantic import BaseModel, Field from commons_knowledge import commons_kb llm ChatOpenAI(modelgpt-4o-mini, temperature0.7) # 写作时可适当提高创造性 # 1. 定义一个“从Commons查询经验”的工具 class QueryCommonsInput(BaseModel): query: str Field(description基于当前写作任务你想在历史经验中查询什么例如如何写好技术博客开头) def query_commons(query: str) - str: 从公共知识库中查询与当前任务相关的历史经验。 print(f[写手] 正在查询Commons: {query}) experiences commons_kb.search_relevant_experience(query, k2) if not experiences or 知识库为空 in experiences[0]: return 公共知识库中暂无相关历史经验可供参考。 formatted_experiences \n\n---\n\n.join(experiences) return f从历史经验中检索到以下相关内容请作为参考\n\n{formatted_experiences} query_tool Tool( namequery_commons_for_advice, funcquery_commons, description在开始写作前从公共知识库(The Commons)中查询相关的历史经验和建议。输入你的查询。, args_schemaQueryCommonsInput ) # 2. 定义一个“文本润色与扩展”工具模拟写作过程 def write_and_polish(content_brief: str) - str: 根据摘要进行扩展和润色写作。这是一个核心写作函数。 print(f[写手] 正在润色和扩展内容...) # 在实际中这里可以调用LLM进行深度写作。此处简化为直接返回。 return f[写作输出] 基于摘要‘{content_brief}’我已生成了一篇结构完整、语言流畅的博客草稿。内容包括引言、主体分析和总结。 write_tool Tool( namewrite_and_polish_draft, funcwrite_and_polish, description根据提供的核心摘要或要点进行扩展、润色生成完整的文章草稿。 ) # 构建Agent提示词 prompt ChatPromptTemplate.from_messages([ (system, 你是一位专业的科技博客写手。在开始写作前你**必须**先调用query_commons_for_advice工具查询公共知识库中是否有与当前主题相关的历史经验或建议。 这些经验可能来自其他Agent包含成功的技巧或失败的教训。请仔细参考这些经验来指导你的写作。 然后使用write_and_polish_draft工具结合你的专业知识和历史经验生成一篇高质量的博客草稿。 你的写作风格应清晰、易懂并适当加入吸引人的元素。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 创建Agent tools [query_tool, write_tool] agent create_openai_tools_agent(llm, tools, prompt) writer_agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) def run_writer(task: str, research_summary: str) - str: 执行写手任务 print(f\n 写手Agent开始工作 ) print(f任务: {task}) print(f收到的调研摘要: {research_summary[:200]}...) # 打印前200字符 # 将调研摘要作为上下文的一部分传递给写手 full_input f调研摘要如下\n{research_summary}\n\n请基于以上摘要撰写一篇科技博客文章。主题是{task} result writer_agent_executor.invoke({input: full_input}) return result[output]关键逻辑解释写手Agent的第一个工具是query_commons_for_advice。这强制了“知识继承”的行为在创作前先寻求历史经验。系统提示词明确要求Agent参考查询到的经验。这样研究员存入的“反思”如“技术博客开头应避免使用陈词滥调”就能直接影响写手的决策。write_and_polish_draft工具是一个模拟在实际应用中可以替换为更复杂的、调用LLM进行长文本生成的函数。5.4 编排主流程最后我们创建一个主程序来串联整个工作流。# main_orchestrator.py import time from researcher_agent import run_researcher from writer_agent import run_writer from commons_knowledge import commons_kb def main(): print( * 50) print(启动 LLM Agent Commons 知识继承实验系统) print( * 50) # 用户输入一个宏观任务 user_task LLM Agent如何实现知识继承与协作 # 阶段一研究员Agent进行调研 print(f\n[阶段一] 研究员Agent开始调研主题: {user_task}) research_result run_researcher(user_task) print(f\n研究员完成工作。输出:\n{research_result}\n) time.sleep(1) # 简单延迟模拟过程 # 阶段二写手Agent进行写作它将查询Commons print(f\n[阶段二] 写手Agent开始撰写博客) # 假设我们从研究员输出中提取了摘要这里简化处理 # 在实际中可能需要解析research_result来获取摘要 assumed_summary LLM Agent的知识继承可通过共享记忆库如The Commons实现包含成功经验和失败教训能提升协作效率但也需防范错误传播。 writing_result run_writer(user_task, assumed_summary) print(f\n写手完成工作。最终输出:\n{writing_result}\n) # 展示知识库状态 stats commons_kb.get_statistics() print(f\n[系统报告] 当前公共知识库(The Commons)中共有 {stats[total_experiences]} 条经验。) print(实验完成。) if __name__ __main__: main()6. 运行结果与效果验证现在让我们运行这个系统观察“知识继承”是否发生。首次运行知识库为空 在终端激活虚拟环境后运行主程序python main_orchestrator.py你会看到类似以下的输出具体内容因模型随机性略有不同 启动 LLM Agent Commons 知识继承实验系统 [阶段一] 研究员Agent开始调研主题: LLM Agent如何实现知识继承与协作 研究员Agent开始工作 任务: LLM Agent如何实现知识继承与协作 [研究员] 正在模拟搜索: LLM Agent如何实现知识继承与协作 [Commons] 已添加一条success类型经验。 ... 研究员完成工作。输出: 我已完成了对“LLM Agent如何实现知识继承与协作”主题的调研...此处是生成的摘要。经验已保存。 [阶段二] 写手Agent开始撰写博客 写手Agent开始工作 任务: LLM Agent如何实现知识继承与协作 收到的调研摘要: LLM Agent的知识继承可通过共享记忆库如The Commons实现... [写手] 正在查询Commons: 如何撰写关于LLM Agent知识继承的博客 [写手] 正在润色和扩展内容... ... 写手完成工作。最终输出: [写作输出] 基于摘要...我已生成了一篇博客草稿... [系统报告] 当前公共知识库(The Commons)中共有 1 条经验。关键观察写手Agent在写作前确实执行了query_commons_for_advice。但由于这是首次运行知识库只有研究员刚存入的那条关于“调研过程”的经验可能对“写作”的直接指导性不强。但流程已通。第二次运行模拟知识继承 我们修改main_orchestrator.py中的user_task换一个相关但不完全相同的主题例如“多Agent系统中的错误传播机制”。 再次运行程序。此时研究员会存入关于新任务的经验。而写手在写作前查询Commons时可能会检索到第一条关于“LLM Agent知识继承”的经验因为两者在语义上相关。写手的系统提示词会要求它参考这些经验从而可能在其博客草稿中提及“正如在知识继承研究中提到的...”这便体现了知识的继承与复用。验证知识库内容 我们可以编写一个简单的脚本来查看Commons里到底存了什么。# inspect_commons.py from commons_knowledge import commons_kb # 假设我们查询“写作”相关经验 experiences commons_kb.search_relevant_experience(写作技巧, k5) for i, exp in enumerate(experiences): print(f\n--- 经验片段 {i1} ---) print(exp)运行此脚本可以看到以文本格式存储的结构化经验包含任务、解决方案和反思。如何判断成功流程成功两个Agent能按顺序执行研究员能成功保存经验写手能成功查询Commons。知识继承成功在多次运行不同但相关的任务后写手Agent的查询结果能返回历史经验并且其最终输出能体现出对历史经验的参考例如文风、结构上的趋同或直接引用反思中的建议。错误传播的模拟你可以手动修改commons_knowledge.py中的add_experience函数存入一条包含明显错误建议的经验如“所有技术博客都必须在文末加上一句‘本文由AI生成’”。然后观察后续的写手Agent是否会采纳这个错误建议。如果运行失败第一步应检查OpenAI API Key 是否正确设置在.env文件中。网络连接是否通畅能否访问OpenAI API。ChromaDB持久化目录的写入权限。控制台输出的错误日志通常LangChain会给出比较清晰的错误信息。7. 常见问题与排查思路在实现和运行此类系统时你会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查方式解决方案Agent无法正确调用工具1. 工具描述不清晰。2. LLM特别是小模型无法理解复杂参数。查看LangChain的verboseTrue输出观察Agent的思考链ReAct。检查工具调用格式是否正确。1. 优化工具的描述description使其更精确。2. 使用args_schema(Pydantic模型) 严格定义参数格式。3. 考虑使用更强大的模型如gpt-4。向量数据库检索结果不相关1. 嵌入模型Embedding不适合领域。2. 经验文本格式杂乱噪声多。3. 查询语句与存储内容语义不匹配。打印出存储的原始Document内容和查询语句。计算并检查相似度分数如果数据库支持。1. 尝试不同的嵌入模型如text-embedding-3-large。2. 优化经验文本的格式化模板使其更干净、结构化。3. 对查询语句进行重写或扩展使其更贴近存储内容的表述。知识库经验数量多后性能下降ChromaDB默认在内存中计算相似度数据量大时慢。观察查询响应时间。1. 为ChromaDB配置持久化索引如hnsw。2. 设置检索时只返回前N个最相关结果避免全量扫描。3. 定期对知识进行“修剪”或“摘要”合并相似经验。Agent继承了错误或偏见知识Commons中存储了低质量或错误经验且检索机制无法区分。人工审查存入Commons的内容。观察后续Agent的输出是否出现系统性偏差。1. 引入“经验质量评分”机制由另一个Agent或规则对存入的经验进行审核打分。2. 在检索时除了语义相似度加入基于元数据如类型、评分、来源Agent的过滤。3. 设计“反面案例”标签明确标记某些经验为“需谨慎参考”。系统提示词效果不稳定提示词指令不够明确或存在冲突。进行A/B测试对比不同提示词下Agent行为的差异。1. 在关键指令如“必须调用某工具”上使用更强烈的语气。2. 采用少样本Few-shot提示在提示词中给出正确行为的具体例子。3. 将复杂提示拆解通过Agent的中间步骤来分阶段控制。多轮对话中记忆混乱本文示例是单次任务流未涉及多轮复杂对话。如果扩展为多轮需观察上下文是否过长或记忆是否冲突。1. 使用LangChain的ConversationBufferWindowMemory或ConversationSummaryMemory管理对话历史。2. 将重要的跨轮次信息也结构化后存入Commons。8. 最佳实践与工程建议将“The Commons”思想投入实际项目远不止构建一个原型那么简单。以下是一些进阶的工程化建议1. 知识的结构化与标准化超越纯文本不要只存储大段文本。设计一个轻量级的模式Schema来定义经验例如包含字段task_type,input_params,output,success_metrics,lessons_learned,confidence_score,generating_agent_id,timestamp。版本控制对Commons本身进行版本管理。当发现一批经验存在共性错误时能够回滚或批量修正。2. 经验的评估与过滤机制质量门禁不是所有经验都值得保存。可以引入一个“评估者”Agent对即将存入的经验进行评分低于阈值则拒绝入库或标记为“待审核”。去重与融合定期运行去重任务将语义相似的经验合并成一条更通用、更精炼的经验避免知识库膨胀。衰减与淘汰为经验添加“热度”或“有效性”分数长期未被使用或已被证伪的经验应被归档或删除。3. 安全与可控性权限隔离不同的Agent群组如团队A、团队B应有独立的或受控共享的Commons避免无关经验干扰。操作审计所有对Commons的读写操作都应记录日志包括哪个Agent、在什么时间、存入了什么、基于什么查询。这对于调试和追溯错误传播至关重要。人工监督接口提供一个人机交互界面允许开发者查看、编辑、禁用Commons中的任何一条经验。必须保留人类的最终控制权。4. 针对“错误传播”的防御设计多样性检索不要只返回最相似的1条经验而是返回Top-K条并让Agent进行对比分析识别其中的矛盾或潜在偏见。置信度标注鼓励生成经验的Agent对其输出的“确定性”进行标注。低置信度的经验在检索时权重降低。对抗性测试定期使用“红队”思维主动向Commons注入一些微妙的错误信息测试后续Agent的辨别和抵抗能力。5. 性能与可扩展性分层存储将高频、热点的经验放在内存或缓存中如Redis将全量经验放在向量数据库或关系型数据库中。分布式Commons在大型系统中Commons本身可能是一个分布式服务提供标准的API供所有Agent调用。增量更新与索引设计后台任务定期为新增的经验生成向量嵌入并更新索引避免在Agent执行关键路径时进行同步的昂贵计算。9. 总结与后续学习方向通过构建这个简单的实验系统我们亲身体验了“The Commons”概念的核心为LLM Agent赋予跨任务、跨会话的集体记忆与学习能力。这不再是让每个Agent作为“孤岛”运行而是试图建立一个持续进化的“群体智能”。本文带你走通了从概念理解、环境搭建、核心流程设计到代码实现的完整路径。你得到了一个可运行的原型它清晰地展示了知识如何沉淀通过结构化工具调用将Agent的工作经验含反思存入向量数据库。知识如何继承后续Agent在决策前主动查询相关历史经验作为参考。风险如何显现系统天然地包含了错误或偏见被继承和放大的可能性这必须被正视和管理。然而这仅仅是起点。要将其应用于真实场景你还需要深入以下几个方向1. 探索更复杂的Agent架构研究CrewAI、AutoGen等成熟框架看它们如何定义角色、工具和协作流程思考如何将“Commons”集成进去。学习LangGraph或Microsoft Autogen Studio用有向图来编排更复杂、带循环和条件分支的多Agent工作流并在关键节点设计知识读写。2. 深入研究记忆与检索机制比较不同向量数据库Pinecone、Weaviate、Qdrant在性能、过滤和元数据管理上的优劣。学习RAG检索增强生成的先进技术如重排序、HyDE、句子窗口检索等将其应用于“经验检索”场景提升检索精度。3. 关注Agent评估与治理如何定量评估引入“Commons”后Agent系统的整体效率是提升还是下降需要设计科学的评测基准。研究AI智能体安全和对齐领域了解如何为自治系统设置边界、价值观和纠错机制这对于管理“错误传播”至关重要。4. 实践具体的应用场景编码助手让Agent在解决不同Bug后将解决方案和上下文存入Commons。当遇到类似Bug时能快速给出建议。客服系统将成功的对话话术和难缠问题的处理经验沉淀下来赋能新的客服Agent。内部知识管理构建一个公司内部的“最佳实践Commons”让AI助手在回答员工问题时能优先引用经过验证的内部文档和经验。“The Commons”的实验揭示了一个更宏大的未来AI Agent将不再是执行单一命令的临时工而是能够积累组织智慧、持续演化的数字员工。实现这一愿景的道路上挑战与机遇并存。作为开发者我们当前最务实的一步就是像本文所做的那样从一个具体、可运行的原型开始亲手触碰这些可能性并在实践中思考其边界。建议你将本文代码作为起点尝试添加一个新的“评审员”Agent来过滤经验或者更换更强大的嵌入模型亲身体验系统行为的变化。真正的理解始于动手实践。 LLM Agent知识继承与协作：构建可积累经验的智能体系统
1. 这篇文章真正要解决的问题当我们在谈论LLM Agent时我们到底在谈论什么是又一个被过度包装的“智能体”概念还是真正能改变我们与AI协作方式的工程实践过去一年无数开发者尝试将大语言模型接入工作流但结果往往是初期Demo惊艳中期维护困难后期沦为摆设。问题的核心在于我们构建的Agent往往是“一次性”的——它的知识、经验和错误都随着一次对话的结束而清零。这正是“The Commons”这个实验性项目试图挑战的现状。它不是一个具体的工具或框架而是一个关于LLM Agent间知识传承与错误演化的思想实验。它提出的核心问题是如果Agent能够像人类社群一样通过某种“公共知识库”继承前者的经验与教训甚至继承其“思维定式”和“系统性错误”会发生什么这听起来像科幻但其背后指向的是当前Agent开发中最现实的痛点如何让AI的“工作经验”可积累、可复用、可审计而不是每次都从零开始。本文将深入探讨“The Commons”这一概念并基于其思想为你拆解一套可落地的实践方案。你将了解到知识继承如何设计一个机制让后续的Agent能“站在前人的肩膀上”复用已验证的解决方案和决策逻辑。错误传播如何正视并管理Agent在协作中可能产生的“偏见放大”或“错误固化”风险这比单纯追求正确率更重要。工程实现如何利用现有的开源工具链如LangChain、LlamaIndex构建一个具备简单知识继承能力的多Agent系统原型。边界与反思这种模式适合什么场景又会带来哪些新的、更复杂的工程和伦理挑战如果你正在思考如何让手中的AI应用从“玩具”走向“工具”让智能体真正具备持续学习和协作的能力而不仅仅是执行孤立的指令那么这篇文章正是为你准备的。2. 基础概念与核心原理在深入“The Commons”之前我们需要明确几个关键概念并理解传统Agent协作模式的局限。LLM Agent智能体一个能感知环境、进行决策并执行行动以达成目标的系统。它通常由三部分组成一个“大脑”LLM、一套“工具”Tools如搜索、计算、写代码和一个“记忆”模块Memory用于存储对话或知识。例如一个数据分析Agent可以调用Python解释器工具来处理你上传的CSV文件。传统多Agent协作模式目前常见的多Agent系统如CrewAI、AutoGen其协作模式可以概括为“任务分解与接力”。模式一个“管理者”Agent将复杂任务拆解分配给不同的“专家”Agent如写作、检索、编码。专家们各司其职可能通过互相调用或向管理者汇报来推进任务。局限这种协作是“任务导向”和“会话内”的。本次任务结束后Agent们积累的关于“如何更好地协作”、“某个API的调用陷阱”、“对用户偏好的理解”等隐性知识通常随风而逝。下次执行类似任务时一切又从头开始。这造成了巨大的效率浪费和重复试错。“The Commons”公共知识域概念这是一个隐喻指代一个可供多个Agent读写、共享的持久化存储区域。它不仅仅是存储事实知识如数据库更重要的是存储过程性知识成功解决某类问题的步骤、提示词模板、工具调用序列。错误与修正曾经犯过的错误、导致的后果以及最终的修正方案。协作协议Agent之间有效的沟通方式和决策规则。经验评估对某些方法或资源有效性的元评价。其核心原理是引入“代际”概念。早期的Agent前辈将其经验写入“Commons”。后期的Agent后辈在启动或决策时可以查询并加载相关的经验从而实现“知识继承”。但关键在于继承的不仅是成功经验也可能包括未被察觉的偏见或错误逻辑这就形成了“错误传播”的研究课题。我们可以用一个对比表格来厘清差异特性维度传统多Agent系统具备“The Commons”的Agent系统知识状态易失性会话级持久化跨会话、跨任务学习方式主要为单次提示工程与上下文学习增量式经验积累与继承协作效率每次任务需重新建立协作默契可复用历史协作模式效率潜在提升错误处理错误被记录在日志但很少被系统化学习错误可作为“反面教材”入库供后续Agent规避系统复杂性相对较低关注即时任务流显著增高需设计知识表示、存储、检索、信任机制理解了这个原理我们就明白“The Commons”不是一个现成的软件而是一种架构范式。接下来我们将从零开始构建一个体现这一范式最小可行原型的系统。3. 环境准备与前置条件我们将使用Python作为实现语言并依托LangChain这一流行的LLM应用框架来构建Agent。选择LangChain是因为其提供了丰富的Agent、Tool和Memory抽象便于我们快速搭建原型。基础环境要求操作系统Windows 10/11, macOS 10.15, 或主流Linux发行版如Ubuntu 20.04。Python版本3.9 或 3.103.11也兼容但需注意某些包的最新版本支持。避免使用3.12等过新版本可能遇到的库兼容性问题。包管理工具pip建议使用虚拟环境。核心依赖库我们将创建一个requirements.txt文件来管理依赖。以下是本项目所需的核心库及其作用# requirements.txt langchain0.1.0 # LLM应用框架核心 langchain-openai0.0.5 # OpenAI模型集成 langchain-community0.0.10 # 社区工具和组件 chromadb0.4.22 # 向量数据库用于存储和检索“知识” tiktoken0.5.1 # OpenAI Token计数 python-dotenv1.0.0 # 管理环境变量如API Key关键配置与密钥LLM服务我们将使用OpenAI的GPT模型作为Agent的“大脑”。你需要准备一个OpenAI API Key。也可以替换为其他LangChain支持的模型如Anthropic, Groq但本文示例以OpenAI为准。向量数据库使用ChromaDB作为“The Commons”的存储后端它轻量且易于嵌入。我们将把它运行在本地磁盘上。环境搭建步骤创建并激活虚拟环境强烈推荐# 创建项目目录并进入 mkdir llm-commons-experiment cd llm-commons-experiment # 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows (PowerShell) .\venv\Scripts\Activate.ps1 # macOS/Linux source venv/bin/activate安装依赖pip install -r requirements.txt如果没有requirements.txt可直接运行pip install langchain langchain-openai chromadb tiktoken python-dotenv配置环境变量 在项目根目录创建.env文件用于安全存储API Key。# .env OPENAI_API_KEYsk-your-openai-api-key-here重要安全提醒务必确保.env文件被添加到.gitignore中避免密钥泄露。至此基础环境已就绪。我们的“Commons”将使用ChromaDB向量库来存储以文本形式表示的经验每个经验片段都会被转换成向量Embedding以便后续进行语义检索。4. 核心流程拆解构建一个可继承知识的Agent系统我们的目标是构建一个包含两个Agent的简单系统一个研究员ResearcherAgent和一个写手WriterAgent。研究员负责调研主题并生成报告摘要写手负责将摘要润色成博客草稿。系统的核心在于研究员的工作成果和反思会存入“Commons”写手在开始工作前会先查询“Commons”获取相关指导和历史经验。整个流程可以分为以下五个关键步骤步骤一初始化“The Commons”知识库这是系统的核心存储。我们需要决定存储什么、如何存储向量化、以及如何检索。这里我们将存储两种类型的“知识”成功案例{“task”: “调研任务描述”, “solution”: “生成的报告摘要”, “reflection”: “本次任务的得失总结”}失败案例/错误{“task”: “出错的任务描述”, “error”: “具体的错误现象或低质输出”, “lesson”: “学到的教训或修正方案”}步骤二构建具备“记忆”与“工具”的Agent使用LangChain的AgentExecutor框架。研究员Agent需要“网络搜索”工具模拟和“写入Commons”工具。写手Agent需要“从Commons查询”工具和“文本润色”工具。步骤三实现知识写入逻辑研究员Agent当研究员Agent完成任务后不能仅仅输出结果。它需要调用一个特殊的工具将本次任务的元数据任务、解决方案、反思格式化后存储到ChromaDB中。这个“反思”环节是关键它迫使Agent总结经验形成可传承的知识点。步骤四实现知识查询逻辑写手Agent写手Agent在动笔前首先会调用查询工具。该工具会根据当前写作任务例如“将关于‘神经网络注意力机制’的摘要写成博客”在Commons中语义搜索相关的历史经验。返回的结果可能包括“如何将技术摘要写得更生动”、“避免在写注意力机制时使用过于晦涩的比喻”等。步骤五设计任务执行与知识继承流程串联整个工作流用户提出一个复杂任务如“为我写一篇关于AI代理的博客”- 系统将该任务拆解为“调研”和“写作”两个子任务 - 研究员Agent执行调研并将经验存入Commons - 写手Agent从Commons获取经验并执行写作。这个流程体现了“知识继承”写手的工作受到了研究员经验的影响。而“错误传播”的风险则在于如果研究员存入了一条有偏见或错误的“经验”例如“所有关于AI的博客都必须以警告AI风险结尾”写手可能会不加批判地继承它。接下来我们将用代码实现这个系统原型。5. 完整示例与代码实现我们将创建多个Python文件来组织代码保持结构清晰。文件结构llm-commons-experiment/ ├── .env ├── requirements.txt ├── commons_knowledge.py # Commons知识库的封装类 ├── researcher_agent.py # 研究员Agent定义 ├── writer_agent.py # 写手Agent定义 ├── main_orchestrator.py # 主流程编排 └── chroma_storage/ # ChromaDB数据存储目录自动创建5.1 实现知识库 Commons首先我们创建commons_knowledge.py封装对ChromaDB的操作。# commons_knowledge.py import os from typing import List, Dict, Any, Optional from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings from langchain.schema import Document from langchain.text_splitter import RecursiveCharacterTextSplitter from dotenv import load_dotenv # 加载环境变量 load_dotenv() class CommonsKnowledgeBase: The Commons 知识库管理类 def __init__(self, persist_directory: str ./chroma_storage/commons): # 使用OpenAI的Embedding模型将文本转换为向量 self.embeddings OpenAIEmbeddings(modeltext-embedding-3-small) # 持久化目录 self.persist_directory persist_directory # 初始化向量数据库。如果目录已存在数据则直接加载否则创建新库。 self.vectorstore Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings, ) # 文本分割器用于将长经验文本切分成块 self.text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200 ) def add_experience(self, task: str, solution: str, reflection: str, experience_type: str success): 向知识库添加一条经验。 Args: task: 任务描述 solution: 解决方案或输出 reflection: 反思与总结 experience_type: 经验类型如 success, failure, tip # 将经验信息格式化为文本 content f [经验类型]: {experience_type} [任务]: {task} [解决方案]: {solution} [反思总结]: {reflection} # 创建LangChain Document对象 metadata {type: experience_type, task: task[:100]} # 元数据便于筛选 doc Document(page_contentcontent, metadatametadata) # 添加到向量库 self.vectorstore.add_documents([doc]) # 持久化保存 self.vectorstore.persist() print(f[Commons] 已添加一条{experience_type}类型经验。) def search_relevant_experience(self, query: str, k: int 3) - List[str]: 根据查询语义搜索相关经验。 Args: query: 查询文本例如当前任务描述 k: 返回最相关的k条结果 Returns: 相关经验的文本内容列表 if self.vectorstore._collection.count() 0: return [知识库为空暂无历史经验可参考。] # 执行相似性搜索 docs self.vectorstore.similarity_search(query, kk) results [] for doc in docs: results.append(doc.page_content) return results def get_statistics(self) - Dict[str, Any]: 获取知识库统计信息 count self.vectorstore._collection.count() return {total_experiences: count} # 全局知识库实例方便各个Agent调用 commons_kb CommonsKnowledgeBase()关键逻辑解释我们使用OpenAIEmbeddings将每条经验文本转换为向量。text-embedding-3-small是一个性价比高的模型。add_experience方法将经验格式化为结构化的文本并存入向量库。reflection字段是形成可传承知识的关键。search_relevant_experience方法是知识继承的入口它根据当前任务的语义找到最相关的历史经验。使用Chroma的持久化功能确保知识在程序重启后依然存在。5.2 构建研究员Agent研究员Agent需要完成调研任务并调用工具将经验存入Commons。# researcher_agent.py import os from typing import Type from langchain.agents import AgentExecutor, Tool, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import BaseTool from pydantic import BaseModel, Field from commons_knowledge import commons_kb # 定义LLM llm ChatOpenAI(modelgpt-4o-mini, temperature0.2) # 使用较低温度保证输出稳定 # 1. 定义一个“模拟网络搜索”的工具 def simulated_web_search(query: str) - str: 模拟网络搜索返回固定格式的调研结果。在实际应用中可替换为真实SerperAPI或Google Search工具。 # 这是一个模拟函数。真实场景应集成SerperAPI等。 print(f[研究员] 正在模拟搜索: {query}) # 模拟返回一些结构化信息 search_results { 什么是LLM Agent: LLM Agent是大语言模型与工具、记忆结合能自主执行任务的系统。核心组件包括规划、记忆、工具使用。, 多Agent协作: 多Agent系统通过角色划分如管理者、专家和通信协议如共享黑板、消息传递协作解决复杂问题。, 知识继承挑战: 当前Agent系统缺乏跨会话知识持久化机制导致重复学习和效率低下。‘The Commons’概念旨在解决此问题。 } return search_results.get(query, f未找到关于{query}的特定信息。根据一般知识这是一个与AI相关的话题。) search_tool Tool( nameweb_search, funcsimulated_web_search, description用于搜索互联网信息。输入一个搜索查询字符串。 ) # 2. 定义一个“保存经验到Commons”的工具 class SaveExperienceInput(BaseModel): task_description: str Field(description本次完成的具体任务描述) solution_summary: str Field(description任务解决方案或产出的摘要) reflection: str Field(description对本次任务执行过程的反思、学到的经验或遇到的坑) def save_to_commons(task_description: str, solution_summary: str, reflection: str) - str: 将本次任务的经验保存到公共知识库。 try: commons_kb.add_experience( tasktask_description, solutionsolution_summary, reflectionreflection, experience_typesuccess ) return 经验已成功保存至公共知识库(The Commons)。 except Exception as e: return f保存经验时出错{str(e)} save_tool Tool( namesave_experience_to_commons, funcsave_to_commons, description将本次任务的经验任务、解决方案、反思保存到公共知识库供未来参考。, args_schemaSaveExperienceInput ) # 构建Agent提示词 prompt ChatPromptTemplate.from_messages([ (system, 你是一位严谨的AI研究助手。你的职责是 1. 使用web_search工具调研用户给定的主题。 2. 综合分析搜索到的信息生成一份简洁、准确的调研摘要。 3. 任务完成后**必须**调用save_experience_to_commons工具将本次任务的经验任务描述、你的解决方案摘要、你的反思保存起来。 反思内容应包含信息是否充足、总结是否到位、下次如何改进等。 请逐步执行并在最后保存经验。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 创建Agent tools [search_tool, save_tool] agent create_openai_tools_agent(llm, tools, prompt) researcher_agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) def run_researcher(task: str) - str: 执行研究员任务 print(f\n 研究员Agent开始工作 ) print(f任务: {task}) result researcher_agent_executor.invoke({input: f请调研以下主题并生成一份摘要{task}}) return result[output]关键逻辑解释研究员Agent被赋予了两个工具搜索和保存经验。在系统提示词中我们强制要求Agent在任务结束后调用save_experience_to_commons。这是实现知识沉淀的关键设计。SaveExperienceInput使用Pydantic模型严格定义了工具的输入参数这有助于LLM正确生成调用参数。5.3 构建写手Agent写手Agent需要从Commons中查询经验并利用这些经验来指导写作。# writer_agent.py import os from typing import Type from langchain.agents import AgentExecutor, Tool, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import BaseTool from pydantic import BaseModel, Field from commons_knowledge import commons_kb llm ChatOpenAI(modelgpt-4o-mini, temperature0.7) # 写作时可适当提高创造性 # 1. 定义一个“从Commons查询经验”的工具 class QueryCommonsInput(BaseModel): query: str Field(description基于当前写作任务你想在历史经验中查询什么例如如何写好技术博客开头) def query_commons(query: str) - str: 从公共知识库中查询与当前任务相关的历史经验。 print(f[写手] 正在查询Commons: {query}) experiences commons_kb.search_relevant_experience(query, k2) if not experiences or 知识库为空 in experiences[0]: return 公共知识库中暂无相关历史经验可供参考。 formatted_experiences \n\n---\n\n.join(experiences) return f从历史经验中检索到以下相关内容请作为参考\n\n{formatted_experiences} query_tool Tool( namequery_commons_for_advice, funcquery_commons, description在开始写作前从公共知识库(The Commons)中查询相关的历史经验和建议。输入你的查询。, args_schemaQueryCommonsInput ) # 2. 定义一个“文本润色与扩展”工具模拟写作过程 def write_and_polish(content_brief: str) - str: 根据摘要进行扩展和润色写作。这是一个核心写作函数。 print(f[写手] 正在润色和扩展内容...) # 在实际中这里可以调用LLM进行深度写作。此处简化为直接返回。 return f[写作输出] 基于摘要‘{content_brief}’我已生成了一篇结构完整、语言流畅的博客草稿。内容包括引言、主体分析和总结。 write_tool Tool( namewrite_and_polish_draft, funcwrite_and_polish, description根据提供的核心摘要或要点进行扩展、润色生成完整的文章草稿。 ) # 构建Agent提示词 prompt ChatPromptTemplate.from_messages([ (system, 你是一位专业的科技博客写手。在开始写作前你**必须**先调用query_commons_for_advice工具查询公共知识库中是否有与当前主题相关的历史经验或建议。 这些经验可能来自其他Agent包含成功的技巧或失败的教训。请仔细参考这些经验来指导你的写作。 然后使用write_and_polish_draft工具结合你的专业知识和历史经验生成一篇高质量的博客草稿。 你的写作风格应清晰、易懂并适当加入吸引人的元素。), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 创建Agent tools [query_tool, write_tool] agent create_openai_tools_agent(llm, tools, prompt) writer_agent_executor AgentExecutor(agentagent, toolstools, verboseTrue, handle_parsing_errorsTrue) def run_writer(task: str, research_summary: str) - str: 执行写手任务 print(f\n 写手Agent开始工作 ) print(f任务: {task}) print(f收到的调研摘要: {research_summary[:200]}...) # 打印前200字符 # 将调研摘要作为上下文的一部分传递给写手 full_input f调研摘要如下\n{research_summary}\n\n请基于以上摘要撰写一篇科技博客文章。主题是{task} result writer_agent_executor.invoke({input: full_input}) return result[output]关键逻辑解释写手Agent的第一个工具是query_commons_for_advice。这强制了“知识继承”的行为在创作前先寻求历史经验。系统提示词明确要求Agent参考查询到的经验。这样研究员存入的“反思”如“技术博客开头应避免使用陈词滥调”就能直接影响写手的决策。write_and_polish_draft工具是一个模拟在实际应用中可以替换为更复杂的、调用LLM进行长文本生成的函数。5.4 编排主流程最后我们创建一个主程序来串联整个工作流。# main_orchestrator.py import time from researcher_agent import run_researcher from writer_agent import run_writer from commons_knowledge import commons_kb def main(): print( * 50) print(启动 LLM Agent Commons 知识继承实验系统) print( * 50) # 用户输入一个宏观任务 user_task LLM Agent如何实现知识继承与协作 # 阶段一研究员Agent进行调研 print(f\n[阶段一] 研究员Agent开始调研主题: {user_task}) research_result run_researcher(user_task) print(f\n研究员完成工作。输出:\n{research_result}\n) time.sleep(1) # 简单延迟模拟过程 # 阶段二写手Agent进行写作它将查询Commons print(f\n[阶段二] 写手Agent开始撰写博客) # 假设我们从研究员输出中提取了摘要这里简化处理 # 在实际中可能需要解析research_result来获取摘要 assumed_summary LLM Agent的知识继承可通过共享记忆库如The Commons实现包含成功经验和失败教训能提升协作效率但也需防范错误传播。 writing_result run_writer(user_task, assumed_summary) print(f\n写手完成工作。最终输出:\n{writing_result}\n) # 展示知识库状态 stats commons_kb.get_statistics() print(f\n[系统报告] 当前公共知识库(The Commons)中共有 {stats[total_experiences]} 条经验。) print(实验完成。) if __name__ __main__: main()6. 运行结果与效果验证现在让我们运行这个系统观察“知识继承”是否发生。首次运行知识库为空 在终端激活虚拟环境后运行主程序python main_orchestrator.py你会看到类似以下的输出具体内容因模型随机性略有不同 启动 LLM Agent Commons 知识继承实验系统 [阶段一] 研究员Agent开始调研主题: LLM Agent如何实现知识继承与协作 研究员Agent开始工作 任务: LLM Agent如何实现知识继承与协作 [研究员] 正在模拟搜索: LLM Agent如何实现知识继承与协作 [Commons] 已添加一条success类型经验。 ... 研究员完成工作。输出: 我已完成了对“LLM Agent如何实现知识继承与协作”主题的调研...此处是生成的摘要。经验已保存。 [阶段二] 写手Agent开始撰写博客 写手Agent开始工作 任务: LLM Agent如何实现知识继承与协作 收到的调研摘要: LLM Agent的知识继承可通过共享记忆库如The Commons实现... [写手] 正在查询Commons: 如何撰写关于LLM Agent知识继承的博客 [写手] 正在润色和扩展内容... ... 写手完成工作。最终输出: [写作输出] 基于摘要...我已生成了一篇博客草稿... [系统报告] 当前公共知识库(The Commons)中共有 1 条经验。关键观察写手Agent在写作前确实执行了query_commons_for_advice。但由于这是首次运行知识库只有研究员刚存入的那条关于“调研过程”的经验可能对“写作”的直接指导性不强。但流程已通。第二次运行模拟知识继承 我们修改main_orchestrator.py中的user_task换一个相关但不完全相同的主题例如“多Agent系统中的错误传播机制”。 再次运行程序。此时研究员会存入关于新任务的经验。而写手在写作前查询Commons时可能会检索到第一条关于“LLM Agent知识继承”的经验因为两者在语义上相关。写手的系统提示词会要求它参考这些经验从而可能在其博客草稿中提及“正如在知识继承研究中提到的...”这便体现了知识的继承与复用。验证知识库内容 我们可以编写一个简单的脚本来查看Commons里到底存了什么。# inspect_commons.py from commons_knowledge import commons_kb # 假设我们查询“写作”相关经验 experiences commons_kb.search_relevant_experience(写作技巧, k5) for i, exp in enumerate(experiences): print(f\n--- 经验片段 {i1} ---) print(exp)运行此脚本可以看到以文本格式存储的结构化经验包含任务、解决方案和反思。如何判断成功流程成功两个Agent能按顺序执行研究员能成功保存经验写手能成功查询Commons。知识继承成功在多次运行不同但相关的任务后写手Agent的查询结果能返回历史经验并且其最终输出能体现出对历史经验的参考例如文风、结构上的趋同或直接引用反思中的建议。错误传播的模拟你可以手动修改commons_knowledge.py中的add_experience函数存入一条包含明显错误建议的经验如“所有技术博客都必须在文末加上一句‘本文由AI生成’”。然后观察后续的写手Agent是否会采纳这个错误建议。如果运行失败第一步应检查OpenAI API Key 是否正确设置在.env文件中。网络连接是否通畅能否访问OpenAI API。ChromaDB持久化目录的写入权限。控制台输出的错误日志通常LangChain会给出比较清晰的错误信息。7. 常见问题与排查思路在实现和运行此类系统时你会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查方式解决方案Agent无法正确调用工具1. 工具描述不清晰。2. LLM特别是小模型无法理解复杂参数。查看LangChain的verboseTrue输出观察Agent的思考链ReAct。检查工具调用格式是否正确。1. 优化工具的描述description使其更精确。2. 使用args_schema(Pydantic模型) 严格定义参数格式。3. 考虑使用更强大的模型如gpt-4。向量数据库检索结果不相关1. 嵌入模型Embedding不适合领域。2. 经验文本格式杂乱噪声多。3. 查询语句与存储内容语义不匹配。打印出存储的原始Document内容和查询语句。计算并检查相似度分数如果数据库支持。1. 尝试不同的嵌入模型如text-embedding-3-large。2. 优化经验文本的格式化模板使其更干净、结构化。3. 对查询语句进行重写或扩展使其更贴近存储内容的表述。知识库经验数量多后性能下降ChromaDB默认在内存中计算相似度数据量大时慢。观察查询响应时间。1. 为ChromaDB配置持久化索引如hnsw。2. 设置检索时只返回前N个最相关结果避免全量扫描。3. 定期对知识进行“修剪”或“摘要”合并相似经验。Agent继承了错误或偏见知识Commons中存储了低质量或错误经验且检索机制无法区分。人工审查存入Commons的内容。观察后续Agent的输出是否出现系统性偏差。1. 引入“经验质量评分”机制由另一个Agent或规则对存入的经验进行审核打分。2. 在检索时除了语义相似度加入基于元数据如类型、评分、来源Agent的过滤。3. 设计“反面案例”标签明确标记某些经验为“需谨慎参考”。系统提示词效果不稳定提示词指令不够明确或存在冲突。进行A/B测试对比不同提示词下Agent行为的差异。1. 在关键指令如“必须调用某工具”上使用更强烈的语气。2. 采用少样本Few-shot提示在提示词中给出正确行为的具体例子。3. 将复杂提示拆解通过Agent的中间步骤来分阶段控制。多轮对话中记忆混乱本文示例是单次任务流未涉及多轮复杂对话。如果扩展为多轮需观察上下文是否过长或记忆是否冲突。1. 使用LangChain的ConversationBufferWindowMemory或ConversationSummaryMemory管理对话历史。2. 将重要的跨轮次信息也结构化后存入Commons。8. 最佳实践与工程建议将“The Commons”思想投入实际项目远不止构建一个原型那么简单。以下是一些进阶的工程化建议1. 知识的结构化与标准化超越纯文本不要只存储大段文本。设计一个轻量级的模式Schema来定义经验例如包含字段task_type,input_params,output,success_metrics,lessons_learned,confidence_score,generating_agent_id,timestamp。版本控制对Commons本身进行版本管理。当发现一批经验存在共性错误时能够回滚或批量修正。2. 经验的评估与过滤机制质量门禁不是所有经验都值得保存。可以引入一个“评估者”Agent对即将存入的经验进行评分低于阈值则拒绝入库或标记为“待审核”。去重与融合定期运行去重任务将语义相似的经验合并成一条更通用、更精炼的经验避免知识库膨胀。衰减与淘汰为经验添加“热度”或“有效性”分数长期未被使用或已被证伪的经验应被归档或删除。3. 安全与可控性权限隔离不同的Agent群组如团队A、团队B应有独立的或受控共享的Commons避免无关经验干扰。操作审计所有对Commons的读写操作都应记录日志包括哪个Agent、在什么时间、存入了什么、基于什么查询。这对于调试和追溯错误传播至关重要。人工监督接口提供一个人机交互界面允许开发者查看、编辑、禁用Commons中的任何一条经验。必须保留人类的最终控制权。4. 针对“错误传播”的防御设计多样性检索不要只返回最相似的1条经验而是返回Top-K条并让Agent进行对比分析识别其中的矛盾或潜在偏见。置信度标注鼓励生成经验的Agent对其输出的“确定性”进行标注。低置信度的经验在检索时权重降低。对抗性测试定期使用“红队”思维主动向Commons注入一些微妙的错误信息测试后续Agent的辨别和抵抗能力。5. 性能与可扩展性分层存储将高频、热点的经验放在内存或缓存中如Redis将全量经验放在向量数据库或关系型数据库中。分布式Commons在大型系统中Commons本身可能是一个分布式服务提供标准的API供所有Agent调用。增量更新与索引设计后台任务定期为新增的经验生成向量嵌入并更新索引避免在Agent执行关键路径时进行同步的昂贵计算。9. 总结与后续学习方向通过构建这个简单的实验系统我们亲身体验了“The Commons”概念的核心为LLM Agent赋予跨任务、跨会话的集体记忆与学习能力。这不再是让每个Agent作为“孤岛”运行而是试图建立一个持续进化的“群体智能”。本文带你走通了从概念理解、环境搭建、核心流程设计到代码实现的完整路径。你得到了一个可运行的原型它清晰地展示了知识如何沉淀通过结构化工具调用将Agent的工作经验含反思存入向量数据库。知识如何继承后续Agent在决策前主动查询相关历史经验作为参考。风险如何显现系统天然地包含了错误或偏见被继承和放大的可能性这必须被正视和管理。然而这仅仅是起点。要将其应用于真实场景你还需要深入以下几个方向1. 探索更复杂的Agent架构研究CrewAI、AutoGen等成熟框架看它们如何定义角色、工具和协作流程思考如何将“Commons”集成进去。学习LangGraph或Microsoft Autogen Studio用有向图来编排更复杂、带循环和条件分支的多Agent工作流并在关键节点设计知识读写。2. 深入研究记忆与检索机制比较不同向量数据库Pinecone、Weaviate、Qdrant在性能、过滤和元数据管理上的优劣。学习RAG检索增强生成的先进技术如重排序、HyDE、句子窗口检索等将其应用于“经验检索”场景提升检索精度。3. 关注Agent评估与治理如何定量评估引入“Commons”后Agent系统的整体效率是提升还是下降需要设计科学的评测基准。研究AI智能体安全和对齐领域了解如何为自治系统设置边界、价值观和纠错机制这对于管理“错误传播”至关重要。4. 实践具体的应用场景编码助手让Agent在解决不同Bug后将解决方案和上下文存入Commons。当遇到类似Bug时能快速给出建议。客服系统将成功的对话话术和难缠问题的处理经验沉淀下来赋能新的客服Agent。内部知识管理构建一个公司内部的“最佳实践Commons”让AI助手在回答员工问题时能优先引用经过验证的内部文档和经验。“The Commons”的实验揭示了一个更宏大的未来AI Agent将不再是执行单一命令的临时工而是能够积累组织智慧、持续演化的数字员工。实现这一愿景的道路上挑战与机遇并存。作为开发者我们当前最务实的一步就是像本文所做的那样从一个具体、可运行的原型开始亲手触碰这些可能性并在实践中思考其边界。建议你将本文代码作为起点尝试添加一个新的“评审员”Agent来过滤经验或者更换更强大的嵌入模型亲身体验系统行为的变化。真正的理解始于动手实践。