Memory Synthesis from Execution Logs

单个任务执行记录包含宝贵的经验，但存在以下问题：

• 过于具体：“把这个按钮改成粉色”这类内容无法作为通用指导
• 关联性不明：难以预判哪些经验可应用于未来任务
• 知识分散：有价值的见解散落在数百条对话日志中
• 抽象化难题：难以把握合适的通用程度

全盘记忆会产生冗余信息；全盘忽视则会错失宝贵的规律。

实现一个双层记忆系统：

1. 任务日志：Agent为每个任务撰写结构化日志（记录尝试内容、失败点及原因）
2. 合成Agent：定期审阅多份任务日志，提取可复用模式

合成步骤会识别日志中的重复主题，挖掘出从单次执行中无法直接发现的洞察。

graph TD
    A[任务1：日志条目] --> D[合成Agent]
    B[任务2：日志条目] --> D
    C[任务3：日志条目] --> D
    D --> E[提取模式]
    E --> F[更新系统提示词]
    E --> G[创建斜杠命令]
    E --> H[生成观察结论]

示例日志条目格式：

实施方案

第一阶段：结构化日志

配置Agent以统一格式撰写任务日志，内容涵盖：

• 尝试的内容及实施原因
• 失败的内容及对应错误信息
• 成功的内容及奏效逻辑
• 发现的边缘案例
• 可推广复用的模式

第二阶段：定期综合分析

针对近期日志运行综合分析Agent（可按每周一次、完成N项任务后等频率执行）：

synthesis_agent.prompt = """
请审阅这50份任务日志。
识别出在3项及以上任务中出现的重复模式。
针对每种模式，分别给出以下建议：

- 一条可补充至CLAUDE.md的通用规则
- 一个潜在的斜杠命令
- 一个用于防止功能回归的测试用例
"""

第三阶段：知识整合

将综合分析得到的洞察反馈至以下系统模块：

• 系统提示词（CLAUDE.md）
• 可复用命令库
• 自动化检查/钩子机制
• 测试套件

Anthropic的实际应用场景（来自访谈记录）：

“在Anthropic，部分员工会要求Claude Code以特定格式撰写每项任务的日志条目……他们甚至部署了专门的Agent，负责回溯过往记录并将其综合提炼为可落地的观察结论。”

优点：

• 模式检测：发现人类可能遗漏的重复出现的问题
• 合适的抽象层级：跨多任务综合分析可揭示通用规律
• 自动知识抽取：无需依赖人工主动记录文档
• 可演进的记忆：系统随时间推移学习并持续优化
• 基于证据：模式由多次实例支撑，而非主观推测

缺点：

• 存储开销：必须持久化存储所有任务日志
• 综合分析复杂度：需要复杂的Agent来提取优质模式
• 虚假模式：可能识别出巧合性关联
• 维护负担：已综合生成的规则需要定期审核
• 隐私顾虑：日志可能包含敏感信息
• Token成本：针对大量日志的综合分析开销高昂

待解决问题：

• 多少次实例可验证一个模式的有效性？
• 如何清理过时或错误的模式？
• 合适的综合分析频率是多少？
• 如何处理跨日志的冲突模式？