智能体面试准备（六十九）：智能体长期经验库与可复用技能(Skill)沉淀工程-编程实验室

智能体面试准备（六十九）：智能体长期经验库与可复用技能(Skill)沉淀工程

引言

本篇是「工程实战深化」系列的第 69 篇（智能体线）。上一篇（六十七）讲了反思与自我修正：智能体在单次任务里发现错误、回退、重试。但反思是「当场纠错」，经验随任务结束就丢了。真正能越用越聪明的智能体，得把每次任务里的成败沉淀成跨任务可复用的长期经验，甚至把高频成功流程固化成可调用的技能（Skill）。

本篇把「经验库 + 技能沉淀」讲透：为什么需要、复盘（AAR）闭环怎么设计、经验怎么表示与去重、Skill 怎么从经验里合成、运行时怎么检索注入。建议和（六十七）反思、（四十一）记忆架构、（六十一）上下文工程一起看，串成「短时反思 → 长期记忆 → 经验沉淀 → 技能固化」的完整链路。

1. 为什么单靠反思不够：从当场纠错到长期积累

单次反思 (六十七) 长期经验库 (本篇) ┌──────────────┐ ┌──────────────────────┐ │ 任务内发现错误 │ │ 任务结束抽取经验 │ │ 回退重试 │ ──沉淀──▶ │ 存经验库(向量+结构化) │ │ 结果丢弃 │ │ 下次任务检索复用 │ └──────────────┘ │ 高频流程→合成 Skill │ └──────────────────────┘ 问题: 同样坑踩第二次 收益: 同类任务越做越快越准

两类记忆要区分（呼应四十一）：

会话记忆：单次任务内的上下文、中间结果，任务结束可清。
长期经验：跨任务沉淀的「什么场景用什么打法、什么坑别踩」，可长期保留、检索复用。

经验库解决的是「组织/个人踩过的坑和验证过的打法，别再从头踩」。

2. 复盘闭环（AAR）：经验从哪来

经验不是凭空写，而是任务结束后自动跑一轮After-Action Review（行动后复盘）：

任务完成/失败 ──▶ AAR 抽取 │ ├─ 目标: 任务要什么？ ├─ 结果: 成了/败了？指标如何？ ├─ 关键决策: 走了哪条路径(用了哪些工具/子Agent)？ ├─ 为什么: 成功因什么？失败因什么？ └─ 可复用点: 哪段流程值得固化？哪个坑要标注？

AAR 本身可由一个「评审智能体」基于任务轨迹（trace）生成结构化经验，减少主智能体负担，也避免主智能体自评偏差。

3. 经验怎么表示：结构化 + 向量双索引

一条经验最好同时有「能被检索读懂的结构」和「能被语义匹配的特征」：

经验记录 Experience ┌──────────────────────────────────────────┐ │ id: exp_2026xxxx │ │ type: success_pattern | failure_lesson │ │ | tool_usage | domain_knowledge│ │ scene: 触发场景(标签+自然语言描述) │ │ precondition: 适用前提(何时有效) │ │ conclusion: 结论/打法(怎么做/别怎么做) │ │ evidence: 来源任务id、成功率、频次 │ │ confidence: 置信度(按被验证次数加权) │ │ embedding: 场景描述的向量(语义检索用) │ └──────────────────────────────────────────┘

经验类型对照：

类型	含义	例子
success_pattern	验证可行的打法	「RAG 先重排再生成，幻觉降 30%」
failure_lesson	踩过的坑	「超长 PDF 不分块直接塞会超上下文」
tool_usage	工具用法诀窍	「某 API 分页要用 cursor 不是 offset」
domain_knowledge	领域事实	「该类工单需先查订单状态再退款」

4. 经验去重、合并与置信度

经验库会膨胀，必须治理：

去重：新经验 embedding 与库内比对，相似度超阈值视为同一经验，合并而非新增。
合并即投票：同结论被多次验证 → confidence 升高；出现反例 → confidence 降，甚至标记「已过时」。
衰减：长期未被引用或场景已变的经验降权，避免误导。
冲突处理：成功模式与失败教训对同一场景冲突时，保留带证据、置信度高的一方，另一方标注待复核。

# 伪代码：经验写入与去重defadd_experience(new_exp,store):sims=store.semantic_search(new_exp.embedding,top_k=3)forold,scoreinsims:ifscore>0.92andold.type==new_exp.type:# 合并: 累加证据、提升置信度old.evidence.append(new_exp.source_task)old.confidence=min(1.0,old.confidence+0.1)old.conclusion=reconcile(old.conclusion,new_exp.conclusion)returnold.idreturnstore.insert(new_exp)# 真正新增

5. 可复用 Skill 合成：从经验到能力

当某条 success_pattern 被反复验证、且是一段固定多步流程，就值得固化成 Skill——一个可被主智能体直接调用的「子能力 / 工具」：

高频 success_pattern: "处理退款工单 = 查订单状态 → 校验退款资格 → 调退款API → 发通知" │ 出现 ≥ N 次且成功率 > 阈值 ▼ 合成 Skill: refund_ticket(order_id) - 入参/出参定义 - 内部步骤脚本或子 Agent prompt - 注册到工具清单, 主智能体可 function calling 直接调

Skill 的两种形态：

脚本型：把流程写成确定性代码（API 编排），最稳最快（呼应五十五工程化交付）。
提示型：把流程写成强约束子 Agent prompt，处理非结构化输入。

合成原则：高频 + 高成功 + 低风险才固化；低频或易变的流程保留为经验文本，让主智能体临场决策，别过度固化。

6. 运行时检索与注入：经验怎么被用

经验库的价值在「用」。运行时，主智能体在规划/执行关键节点检索相关经验注入上下文（呼应六十一上下文工程）：

当前任务上下文 ──▶ 检索 query (场景+目标) │ ▼ 经验库 top-k (按 embedding + 置信度 + 场景匹配) │ ▼ 注入 system/working memory: "同类任务曾验证: ..., 注意: ..." │ ▼ 主智能体决策时参考, 避开已知坑、复用验证打法

注入要克制：只取 top-k 高置信经验，控制 token 占用，避免上下文被经验淹没（呼应六十一预算）。

# 伪代码：运行时经验检索注入defretrieve_for_task(task_ctx,store,k=3):q=embed(f"{task_ctx.goal}|{task_ctx.scene}")hits=store.search(q,top_k=k*3)# 过滤: 场景匹配 + 置信度门槛 + 未过时filtered=[hforhinhitsifh.confidence>0.6andnoth.expiredandscene_match(h.scene,task_ctx)]returnfiltered[:k]# 仅取最相关 k 条注入