Agent Memory Techniques:Procedural Memory 解析——如何让 Agent 沉淀"怎么做"的经验并越用越聪明
Agent Memory Techniques:Procedural Memory 解析——如何让 Agent 沉淀"怎么做"的经验并越用越聪明
Procedural Memory(程序性记忆)是 Agent Memory Techniques 项目中第 11 种记忆技术:它不记录"发生了什么",而是把 Agent 成功完成任务的步骤化操作流程提炼成可复用的技能,存入技能库(Skill Library),让 Agent 面对相似任务时直接检索、套用,从而越用越聪明。Agent_Memory_Techniques 仓库用 30 个可运行的 Jupyter Notebook 覆盖了从会话缓冲、向量存储到 MemGPT、Mem0、Zep 等主流框架的完整记忆技术图谱,本技术正是其中的进阶篇。
🧠 先搞懂:Agent 的三种记忆分别存什么?
人类记东西分三类:发生过什么("上周三我摔了一跤")、什么是真的("地球是圆的")、怎么做("骑自行车")。Agent 的记忆系统同样如此:
| 记忆类型 | 回答的问题 | 对应技术 |
|---|---|---|
| Episodic Memory(情景记忆) | "上次做 X 时发生了什么?" | 09_episodic_memory |
| Semantic Memory(语义记忆) | "什么是真的?" | 10_semantic_memory |
| Procedural Memory(程序性记忆) | "X 该怎么做?" | 11_procedural_memory |
Procedural Memory 的核心价值在于把经验变成能力:Agent 第一次部署服务时要逐步推理、反复试错;第十次时,它只需调出已验证的操作流程,填入新的参数即可执行。
🏗️ 原理拆解:Procedural Memory 的 3 个核心组件
整个系统围绕"执行 → 提炼 → 复用"的闭环运转,只需理解三个组件:
- Procedure Extraction(流程提炼):Agent 成功完成一次任务后,把完整执行记录(做了什么、调了哪些工具、输入输出是什么)交给 LLM,从中剥离噪声(调试输出、重试、无关副作用),提炼出干净的动作序列。
- Workflow Template(工作流模板):把具体值替换成占位符。例如"把
weather-api部署到deploy.cloudhost.io"被泛化为"把{app_name}部署到{server_host}"——策略保留,参数留空,模板即可复用于新任务。 - Skill Library(技能库):按任务类型(deployment、data_pipeline、api_integration…)索引的流程仓库,是 Agent 的"肌肉记忆"集合。
新任务到来时,检索引擎在库中匹配最相关的流程,再执行Adaptation(参数填充),把占位符换成当前任务的真实值,即可直接执行。
🎬 实战演示:从"部署一个 API"到"技能库成长"
procedural_memory.ipynb 用三个场景完整演示了这个循环:
- 场景 1 · 学新技能:Agent 成功部署了一个 Flask API(建虚拟环境 → 写代码测试 → 打 Docker 镜像 → 推送仓库 → SSH 上服务器 → 健康检查)。LLM 从这段 13 步执行记录中提炼出"部署容器化应用"的参数化流程并入库。
- 场景 2 · 检索 + 适配:新任务"把 FastAPI 的 inventory-service 部署到 prod.mycompany.com"到来,Agent 不再从零推理,而是检索到部署流程、填充新参数后直接执行——省掉了大量 LLM 调用。
- 场景 3 · 技能库成长:随后完成一个"月度销售报表"数据管道任务,第二条流程(清洗 → 聚合 → 生成 CSV → 上传 S3 → 发邮件)被收入库中,实现多任务类型并存、精准匹配。
这个模式与 Voyager(Minecraft 开放世界 Agent)一脉相承:它正是靠不断向技能库写入可复用技能,实现了能力随经验增长。
⚖️ 使用决策:什么时候该上 Procedural Memory?
| ✅ 适合场景 | ❌ 不适合场景 |
|---|---|
| 重复性多步任务(部署、数据管道、API 集成) | 每个任务都独一无二,库永远用不上 |
| 工具调用序列复杂、值得"学一次、复用 N 次" | 环境频繁变化(OS/ API 版本变动),流程快速过时 |
| 需要跨会话、跨 Agent 转移技能 | 对精度要求极高且无回退机制的场合 |
两大风险要提前设计好:一是流程会"过期",需要版本管理和失效机制;二是库越大越容易检索错配,生产环境应设置置信度阈值,低于阈值就回退到从零推理。
🚀 上手路径:3 步跑通 Procedural Memory 实验
第一步:获取仓库
git clone https://gitcode.com/gh_mirrors/ag/Agent_Memory_Techniques
cd Agent_Memory_Techniques
第二步:配置环境
按 requirements.txt 安装依赖,配置 OPENAI_API_KEY(Notebook 使用 gpt-4o-mini 做流程提炼与检索)。
第三步:运行 Notebook
打开 all_techniques/11_procedural_memory/procedural_memory.ipynb 从上到下运行即可。代码量不大,三个核心组件——Procedure 数据模型、三段 LLM Prompt、ProceduralMemory 类——合计约百行,读一遍就能吃透整个机制。学习难度为中级,预计 35 分钟。
建议先读 11_procedural_memory/README.md 中的 FAQ,它解答了"该配情景记忆还是程序性记忆""没有现成框架怎么办"等高频问题。
🗺️ 延伸学习:让 Procedural Memory 更强
Procedural Memory 很少单打独斗,仓库中这几篇是最佳搭档:
- 09 Episodic Memory —— 记"发生了什么",与程序性记忆一一对应、互补
- 16 Self-Reflection Memory —— 让 Agent 执行完流程后复盘成败,自动修订流程步骤,实现"自适应技能库"
- 17 Memory Routing —— 按任务分类自动路由到正确的流程
- 23 Memory with Tools —— 程序性记忆在工具调用场景下最能发光
更多术语解释可查 docs/glossary.md,想横向对比 30 种技术的适用场景可看 docs/comparison.md 与 docs/learning_path.md。
❓ 常见问题(FAQ)
Q:Procedural Memory 和 Episodic Memory 到底怎么选? A:判断标准是任务是否可复用。部署代码、生成报表这类有固定模式的任务用 Procedural Memory;需要回忆某次具体交互细节("上次用户投诉了什么")用 Episodic Memory。最强的方案是两者并用。
Q:现在有没有现成框架直接支持程序性记忆? A:截至 2025 年底,主流框架都没有专门的 Procedural Memory 类。Letta/MemGPT 可以把流程存入其归档记忆层,LangChain 可把每个流程封装成 Tool/Chain 让 Agent 自行选择。生产级做法通常是自建:向量存储 + 检索层(详见 26_letta_memgpt_patterns 与 30_production_memory_patterns)。
Q:流程过时了怎么办?
A:给 Procedure 加版本字段与历史记录(Notebook 的 "Try It Yourself" 挑战 1 正是练这个),并结合 Self-Reflection 让 Agent 根据执行成败反馈自动更新步骤。
一句话总结:Episodic Memory 让 Agent 记住"经历",Semantic Memory 让它记住"事实",而 Procedural Memory 让它记住"手艺"——这也是 Agent 从"每次从零开始"走向"越用越聪明"的关键一步。



