专题演讲嘉宾：何宇航

我们在 CI/CD 平台落地 AI Agent 处理构建分析与 K8s 运维，经历了两次架构重构。v1 ⽤低代码编排快速上线，三个⽉后问题集中暴露⸺相同的构建失败反复分析，Agent ⽆法积累经验；⼯具调⽤在多集群环境下幻觉频发；分类器边界误判不断，且错误会沿推理链放⼤。 v2 的核⼼⽬标是让 Agent 不再每次从零开始。记忆层⾯，我们设计了四层架构⸺从实时缓存、会话记录、⻓期模式库到经验学习层，通过主动注⼊⽽⾮被动检索让历史经验参与当前决策，⾼频修复模式可⾃动升级为可执⾏技能。⼯具层⾯，⽤配置驱动的 Guard 机制替代 Prompt 约束，从系统层保障⼯具调⽤的可控性。推理层⾯，前端路由⾃动解析为结构化上下⽂并动态收窄可⽤⼯具范围，让单 Agent 在多步任务中始终保持语境感知。

演讲提纲

1. 平台化编排的能⼒边界与迁移时机
   • 低代码编排的适⽤阶段与瓶颈复盘
   • 迁移到⾃建编排的判断依据
2. 四层记忆架构与经验进化
   • 四层存储各⾃解决什么问题
   • 主动注⼊ vs 被动检索的设计取舍
   • 规则式提取与 LLM 深度分析的分⼯
   • Pattern→Skill ⾃动升级链路
   • 噪⾳控制与错误记忆的代价
3. 配置驱动的⼯具调⽤治理
   • Guard 机制：上下⽂绑定、重复检测、调⽤链校验
   • MCP 主备降级策略
   • ⼯具描述迭代⽅法论
4. 上下⽂注⼊与推理链收敛
   • 路由解析与动态⼯具过滤
   • 多轮⼯具调⽤的收敛控制
5. 落地效果与关键决策复盘
   • v1→v2 的效果对⽐与核⼼指标变化
   • 三个关键技术决策的选择逻辑与验证

演讲亮点

• 四层记忆架构的完整⼯程设计，含存储引擎、检索策略与性能约束
• 配置驱动的 Guard 机制：新⼯具只需配置元数据，⽆需改核⼼代码
• Pattern→Skill ⾃动进化闭环：从对话记录到可执⾏技能
• 两次重构的完整决策链：还原真实取舍过程⽽⾮只展⽰最终⽅案

听众收益

• 获得 Agent 记忆系统从存储到进化的可复⽤设计⽅案
• 掌握配置驱动的⼯具调⽤治理⽅法
• 理解上下⽂注⼊如何从架构层⾯保障多步推理稳定性
• 通过真实重构案例形成平台化编排 vs ⾃建的选型判断