來自 meng shao（@shao__meng）的推文串

[開源推薦] Acontext: 專為「自進化」AI Agent 設計的上下文資料平台 如果把AI Agent 比喻成員工，Acontext 不只是它的記事本（儲存），更是它的績效教練（觀察）和知識庫（學習）。 @memobase_io 最新的這個開源項目，目標是解決目前Agent 開發中最大的痛點：如何讓Agent 從過去的經驗中吸取教訓，變得越來越穩定、越來越聰明。 核心定位：它解決什麼問題？ 目前的AI Agent 大多是「健忘」的。雖然它們擁有LLM 的通用知識，但往往缺乏對特定任務的長期記憶和經驗累積。 Acontext 的核心目標是：One Place for Agents to Store, Observe, and Learn. 它透過三個步驟來提升Agent 的可靠性和任務成功率： · 儲存（Store）： 記錄發生了什麼事。 · 觀察（Observe）： 分析做得怎麼樣。 · 學習（Learn）： 總結經驗，下次做得更好。 三大關鍵能力🧠 Store（全感官記憶儲存） · 不僅是對話記錄： 它不僅儲存Agent 和使用者的對話，還支援儲存Artifacts。 · 類似電腦硬碟： 為Agent 提供了一個「磁碟」概念，Agent 可以在執行任務過程中產生檔案並儲存在這裡，以供後續呼叫。 · 價值： 保證了上下文的完整性，讓Agent 「有據可查」。 👁️ Observe（後台任務監控） · 隱形監督者： 當你的主Agent 在工作時，Acontext 會啟動一個後台的Task Agent。 · 即時追蹤： 這個後台Agent 會即時分析對話，提取目前的任務狀態（Pending/Success/Failed）、進度以及使用者偏好。 · 價值： 開發者不再需要盲猜Agent 到底卡在哪一步，透過Dashboard 可以清楚看到任務的執行流和成功率。 📘 Learn（SOP 經驗沉澱）—— 這是最亮點的功能· 從行動中提煉SOP： 當Agent 完成一個複雜的任務後，Acontext 會自動評估。如果任務具有足夠的複雜度和參考價值，它會將這次成功的操作路徑提煉成SOP。 · 建構「技能空間」： 這些SOP 會被存入一個類似Notion 的結構化空間。 · 技能重複使用： 當Agent 下次遇到類似任務時，它會先去Space 裡搜尋：“我之前（或別的Agent）是怎麼做這件事的？”，然後直接呼叫成功的SOP，而不是從零開始嘗試。 · 價值： 實現了Agent 的自我進化。用得越多，累積的SOP 越多，Agent 處理特定任務就越熟練。 開發者體驗· 視覺化儀錶板： 自備一個本機Web 介面，可以直觀地查看會話歷史記錄、任務狀態、儲存的文件以及沉澱的技能。 · 快速啟動： 支援Docker 一鍵部署。 · 多語言SDK： 提供了完善的Python 和TypeScript SDK，可以輕鬆整合到現有的OpenAI、LangChain 或Vercel AI SDK 專案中。 · 技術堆疊： 後端主要使用Go 語言，SDK 使用Python/TS。 開源位址：