如果你最近也在琢磨“智能体Agent到底怎么落地”大概率会先搜到一大堆平台、框架、提示词技巧。但真正动手做一个就会发现大部分教程只教你“怎么让模型开口说话”很少有人讲清楚“怎么让Agent记住该记住的背景信息”。说实话做一个能回答“谁发明了钢琴键背景智能体”这类问题的知识型Agent听起来像玩具但它几乎把智能体开发的整套骨架都过了一遍背景知识从哪来、怎么结构化、存到哪里、对话时如何唤起、答错如何修正。这比单纯聊概念更有价值。这篇文章不会只讲概念而是用一个能跑通的最小示例把“背景知识的注入与记忆”这件事完整拆开。读完你至少能回答三个问题第一知识型智能体和普通聊天机器人差在哪第二背景知识为什么不能一股脑塞进提示词第三如果不用大而全的平台自己用代码搭一个需要哪些模块。1. 这篇文章真正要解决的问题很多初学者对智能体的理解是“接一个大模型API写一段Prompt就能回答问题了”。这个认知在简单闲聊场景下没错但一旦涉及特定领域知识问题马上出现。以“谁发明了钢琴键”这个需求为例。你直接问大模型它也能回答出一段关于钢琴发明史的话。可如果这个智能体服务的不是普通用户而是音乐教育产品里的内置助手呢它需要第一回答口径要和产品的知识点体系一致不能每次生成都不稳定。第二它要能记住用户之前问过什么、看到过哪些知识而不是每次都从零开始。第三知识库更新时Agent要能及时用上新内容而不是依赖模型训练时的旧数据。这三个需求分别对应智能体工程里的知识注入、记忆管理和知识更新。它们不是“加分项”而是把一个Demo变成可用产品的门槛。所以这篇文章真正要解决的不是“怎么调API”而是“怎么让Agent拥有稳定的领域背景认知”。准确说就是回答一个问题当模型本身不具备某个背景知识时Agent如何通过工程手段把它补上并且记住、用对。2. 智能体的核心概念与背景记忆原理2.1 什么是智能体智能体英文叫Agent本质上是一个“能调用外部能力来完成任务的AI系统”。它不等于大模型而是以大模型为大脑在外面套了工具、知识和流程。一个完整的智能体至少包含四个部分第一部分是模型负责理解和生成。第二部分是提示词与上下文负责告诉模型“你是什么角色、该按什么规则回答”。第三部分是知识库或工具负责给模型补充实时信息。第四部分是记忆负责跨轮次记住对话状态和用户偏好。很多教程会把Agent讲得很玄实际上它与普通聊天机器人的差别就一句话聊天机器人只说Agent会查、会算、会记住、会执行。2.2 背景知识、上下文窗口与记忆这里有三组容易混淆的概念建议先分清楚。第一组是“背景知识”和“上下文窗口”。背景知识是Agent需要掌握但模型不一定知道的信息比如钢琴键的发明历史、产品规则、内部文档上下文窗口是单次请求中能塞给模型的最大文本量。把背景知识塞进上下文是让模型“临时知道”但窗口有限塞太多又会挤占推理空间。第二组是“短时记忆”和“长期记忆”。短时记忆指当前对话里的历史消息一般直接放在上下文里长期记忆指跨会话保存的用户信息和知识要点通常需要落到外部存储。第三组是“参数化知识”和“非参数化知识”。参数化知识是训练时学进模型权重里的知识非参数化知识是模型通过检索或工具临时拿到的外部知识。对业务型Agent来说非参数化知识往往更可控。可以简单对比一下概念通俗理解常见存储位置背景知识Agent需要知道的领域事实知识库、文档、JSON文件短时记忆这一轮对话说了什么请求上下文长期记忆用户之前关心过什么数据库、向量库参数化知识模型天生就会的模型权重非参数化知识运行时临时获取的外部检索结果2.3 三种知识注入方式的对比让Agent获得背景知识主流有三种方式第一种是直接写进System Prompt。适合知识量小、变化不频繁的场景。优点是实现简单缺点是知识一多就超过窗口限制更新还要发新版本。第二种是RAG检索增强生成。把背景知识切分成片段用户提问时先检索相关片段再拼进提示词。优点是可以放大量知识更新知识库不用改代码缺点是工程复杂度高检索质量直接影响回答效果。第三种是微调模型。让模型通过训练把知识学进权重。优点是回答自然但成本高、周期长也不是“记住业务背景”的首选。对“谁发明了钢琴键背景智能体”这类中小规模知识型Agent更务实的做法是“Prompt 结构化知识文件 简单记忆模块”。下面整个示例都按这个路线实现。3. 环境准备与前置条件这个项目的代码非常简单不需要复杂平台。推荐直接用 Python 开发因为后续接大模型API、做检索、连向量库都很方便。建议环境如下Python 3.9 及以上版本。一个文本编辑器或 IDE比如 VS Code。可以用虚拟环境管理依赖避免污染系统环境。如果需要真正接大模型请自备一个兼容 OpenAI 风格的 API 服务。本文代码会保留一个模型调用入口但核心演示不依赖任何特定厂家的接口。如果你对代码不熟也可以先在 Dify、Coze 这类智能体平台上手动拖拽实现同样流程。本文第5章的代码和平台上的节点一一对应。先说清楚一点版本号请以你实际安装的为准。本文重点不是某个库的API而是“背景知识注入与记忆”的通用思路。创建虚拟环境并安装必要依赖mkdir piano-agent cd piano-agent python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate pip install openai这里的openai库只是用来演示大模型调用入口。如果你用的不是 OpenAI只要你的服务提供兼容接口SDK 基本是同一个模式。后面代码里我会用一个chat_once函数把调用隔离出来方便替换。4. 核心流程拆解4.1 明确需求与知识边界做智能体之前第一步不是写代码而是把需求说清楚。“谁发明了钢琴键背景智能体”这个需求可以拆成三条用户询问“谁发明了钢琴键”时Agent 要基于预设背景知识回答而不是自由发挥。Agent 要记住对话里出现的用户身份、偏好和已展示过的内容。Agent 知识更新后回答内容要跟着变而不是咬死旧数据。这里有个很容易犯的错认为背景知识就是“写几句历史简介塞进提示词”。实际上背景知识是可以被查询的结构化数据。真实项目里它可能是产品文档、工单记录、数据库字段说明甚至是一份Excel表格。4.2 设计背景知识库背景知识库的作用是给Agent提供可检索、可更新的“领域事实”。钢琴发明史这个例子背景知识库可以设计成这样一个结构{ topic: piano_keyboard_history, facts: [ { id: fact_001, question: 谁发明了现代钢琴, answer: 意大利人巴托罗密欧·克里斯托弗里Bartolomeo Cristofori在1700年前后发明了现代钢琴。, tags: [钢琴, 发明者, 克里斯托弗里] }, { id: fact_002, question: 钢琴键盘的前身是什么, answer: 钢琴键盘的雏形可以追溯到管风琴和羽管键琴的键盘结构。, tags: [钢琴, 键盘, 前身] } ] }这个设计有三个要点第一每条知识都有独立ID方便更新和追踪。第二问题和答案分开存检索时可以用问题做匹配回答时取答案。第三tags字段用于模糊匹配解决用户问法不标准的问题。真实场景里你不需要做得这么简单但最小示例的关键是“知识可以被程序读取”而不是写在人读的文档里。4.3 选择记忆存储方案记忆模块需要解决一个核心问题用户上次问过什么这个会话结束之后还要不要记住如果只关心单次对话内的上下文用列表保存在内存里就够了。如果希望用户隔天回来Agent还能记得他的偏好就需要持久化。对于这个示例推荐先用 SQLite 做长期记忆存储。Python 自带sqlite3不需要额外安装服务而且足够支撑中小规模应用。表结构可以设计成conversation_id会话ID。user_message用户输入。assistant_messageAgent回答。created_at记录时间。有人会问记忆不就是把聊天记录存下来吗严格说这只是“存储”还不是“记忆”。真正的记忆还要做摘要和提取从历史消息里抽出有价值的用户画像比如“用户是钢琴初学者”“用户更关心乐器发展史”。示例里先存原始消息后续在最佳实践部分推荐升级方案。4.4 搭建Agent主流程核心流程可以拆成五个步骤第一步接收用户输入。第二步加载背景知识库结合用户问题找到相关事实。第三步从记忆模块读取最近几轮对话和用户画像摘要。第四步组装System Prompt把背景知识、记忆摘要、对话历史全部填入。第五步调用大模型生成回答并把本轮内容写入记忆。这里最关键的一步是第四步组装上下文。上下文的顺序和结构会影响模型理解建议顺序是“身份设定 → 背景知识 → 记忆摘要 → 最近对话”。5. 完整示例实现一个能记住背景的智能体5.1 背景知识文件先创建knowledge.json作为背景知识库{ piano_keyboard_history: { description: 关于钢琴与键盘发明背景的知识条目, facts: [ { id: fact_001, keywords: [钢琴, 发明, 谁, creator, 发明者], question: 谁发明了现代钢琴, answer: 意大利人巴托罗密欧·克里斯托弗里Bartolomeo Cristofori在1700年前后发明了现代钢琴。, tags: [钢琴, 发明者, 克里斯托弗里] }, { id: fact_002, keywords: [键盘, 前身, 起源, 管风琴, 羽管键琴], question: 钢琴键盘的前身是什么, answer: 钢琴键盘的雏形可以追溯到管风琴和羽管键琴的键盘结构现代钢琴键盘在此基础上逐渐完善。, tags: [钢琴, 键盘, 前身, 管风琴] } ] } }注意一点这里的 facts 只作为演示样例不是严谨的音乐史论文。真实项目里知识条目需要经过业务负责人确认并且每一轮更新都要留痕。5.2 记忆模块创建memory.py用 SQLite 保存对话记录import sqlite3 import json from datetime import datetime class MemoryStore: def __init__(self, db_pathagent_memory.db): self.conn sqlite3.connect(db_path) self._init_table() def _init_table(self): self.conn.execute( CREATE TABLE IF NOT EXISTS conversation_history ( id INTEGER PRIMARY KEY AUTOINCREMENT, conversation_id TEXT, role TEXT, content TEXT, created_at TEXT ) ) self.conn.commit() def save_message(self, conversation_id: str, role: str, content: str): now datetime.now().isoformat() self.conn.execute( INSERT INTO conversation_history (conversation_id, role, content, created_at) VALUES (?, ?, ?, ?), (conversation_id, role, content, now), ) self.conn.commit() def load_recent_messages(self, conversation_id: str, limit: int 6): rows self.conn.execute( SELECT role, content FROM conversation_history WHERE conversation_id ? ORDER BY id DESC LIMIT ? , (conversation_id, limit), ).fetchall() return list(reversed(rows)) def close(self): self.conn.close()这段代码的作用是把每一轮问答写入本地数据库。load_recent_messages则负责读取最近的对话记录用于拼接到上下文里。注意这里用DESC查询再reversed是为了保证取到的是时间上最新的几条同时顺序仍然是旧到新。5.3 Agent核心逻辑创建piano_agent.py完成知识检索、上下文组装和模型调用的完整链路import json from typing import Optional from memory import MemoryStore class PianoAgent: def __init__(self, knowledge_path: str, memory: Optional[MemoryStore] None): with open(knowledge_path, r, encodingutf-8) as f: self.knowledge json.load(f) self.memory memory or MemoryStore() def search_knowledge(self, user_input: str) - Optional[str]: 在背景知识库中检索与用户输入最相关的一条知识。 facts self.knowledge.get(piano_keyboard_history, {}).get(facts, []) for fact in facts: keywords fact.get(keywords, []) for keyword in keywords: if keyword in user_input: return fact[answer] return None def build_system_prompt(self, knowledge_answer: Optional[str], recent_messages: list) - str: 组装 System Prompt把背景知识和记忆摘要注入上下文。 system_parts [ 你是一个专注于音乐史知识问答的智能体。, 回答时必须优先使用背景知识库中的信息如果背景知识库没有相关内容请明确说不知道。, ] if knowledge_answer: system_parts.append(f相关资料{knowledge_answer}) if recent_messages: memory_lines [] for role, content in recent_messages: memory_lines.append(f{role}: {content}) system_parts.append(以下是最近的对话记录\\n \\n.join(memory_lines)) return \\n.join(system_parts) def chat_once(self, user_input: str) - str: # 这里是模型调用入口的占位实现。 # 实际项目中可替换为 openai.ChatCompletion 或任何兼容接口的请求。 raise NotImplementedError(请接入真实的大模型API) def run(self, conversation_id: str, user_input: str) - str: knowledge_answer self.search_knowledge(user_input) recent_messages self.memory.load_recent_messages(conversation_id, limit4) system_prompt self.build_system_prompt(knowledge_answer, recent_messages) # 实际项目中这里应该把 system_prompt 和 user_input 一起发给模型。 # 当前示例为了可运行返回组合后的 prompt 便于检查。 return system_prompt \\n用户问题 user_input这个简化版本特意把“模型调用”空出来目的是先把流程讲清楚。run方法暂时返回组装后的Prompt方便你验证背景知识有没有被正确注入。接入真实模型时只需要实现chat_once。5.4 接入大模型调用把chat_once替换成真实调用以 OpenAI 兼容接口为例from openai import OpenAI class PianoAgentWithLLM(PianoAgent): def __init__(self, knowledge_path: str, memory: MemoryStore, api_key: str, base_url: str, model: str): super().__init__(knowledge_path, memory) self.client OpenAI(api_keyapi_key, base_urlbase_url) self.model model def chat_once(self, user_input: str) - str: knowledge_answer self.search_knowledge(user_input) recent_messages self.memory.load_recent_messages(default, limit4) system_prompt self.build_system_prompt(knowledge_answer, recent_messages) response self.client.chat.completions.create( modelself.model, messages[ {role: system, content: system_prompt}, {role: user, content: user_input}, ], ) return response.choices[0].message.content再创建一个简单的运行入口main.pyfrom memory import MemoryStore from piano_agent import PianoAgentWithLLM def main(): memory MemoryStore() agent PianoAgentWithLLM( knowledge_pathknowledge.json, memorymemory, api_keyyour-api-key, base_urlyour-api-base-url, modelyour-model-name, ) conversation_id demo_user_001 while True: user_input input(你) if user_input.strip().lower() in (exit, quit): break answer agent.chat_once(user_input) memory.save_message(conversation_id, user, user_input) memory.save_message(conversation_id, assistant, answer) print(Agent, answer) memory.close() if __name__ __main__: main()到这里整个最小可运行的智能体就完成了。6. 运行结果与效果验证先验证流程本身不接大模型也能跑。运行示例中的run方法python -c from memory import MemoryStore from piano_agent import PianoAgent memory MemoryStore() agent PianoAgent(knowledge_pathknowledge.json, memorymemory) prompt agent.run(demo_001, 谁发明了钢琴键) print(prompt) 预期输出应当包含背景知识库中关于克里斯托弗里的说明并且能看到最近对话记录为空说明首次问答时上下文里没有历史记忆。接入真实模型后对话效果可以这样判断第一轮输入“谁发明了钢琴键”Agent 应该返回背景知识库里的答案语气和内容都受 System Prompt 约束。判断标准是答案与knowledge.json中的描述一致且不会随意扩展出知识库外的细节。第二轮输入“那键盘的前身呢”如果记忆模块生效Agent 能够看到用户第一轮问的“谁发明了钢琴键”然后在回答“键盘前身”时自然带出管风琴、羽管键琴等知识。如果回答跟第一轮毫无关联说明上下文记忆没有拼接成功。如果返回结果不符合预期第一步不是改提示词而是检查build_system_prompt生成的最终文本。把拼接后的 Prompt 打印出来看背景知识有没有被检索到、最近对话有没有丢失问题基本就能定位。7. 常见问题与排查思路问题现象可能原因排查方式解决方案Agent 回答内容完全脱离知识库知识检索没有命中打印 search_knowledge 返回结果是否为 None扩充 keywords 关键词列表或用向量检索做语义匹配用户问同样的问题每次答案都不同System Prompt 约束不足检查 system prompt 中是否有“必须使用资料”的措辞增加强约束表达并在提示词中强调权威答案第二轮的对话上下文丢失记忆保存顺序异常查看 SQLite 中 conversation_history 表内容修正 save_message 顺序确认插入时 role 正确知识库更新后回答不更新动态加载逻辑缺失确认 JSON 文件在请求时是否重新读取每次请求重新读取知识库或用数据库存知识提示词太长导致请求失败背景知识加记忆超过上下文窗口查看请求日志中的 token 用量精简知识条目只保留相关内容历史消息做摘要数据库文件被占用无法写入多进程同时写 SQLite检查数据库锁错误SQLite 适合单机小规模场景高并发可换 PostgreSQL这里重点提醒一下知识库更新问题最容易忽略。很多人把知识写死在代码里发版后才发现改不了。正确做法是把知识库做成外部配置每次请求读取最新数据或者至少提供缓存刷新机制。8. 最佳实践与工程建议8.1 知识库单独管理不要写死在代码里上面示例把知识放在knowledge.json里已经比写死在 Python 代码里前进了一步。真实项目建议用数据库存储并且提供后台管理页面让业务人员能够更新知识而不需要开发改代码发版。8.2 记忆要做摘要不能只存原始日志长期对话之后直接把所有历史消息塞给模型会超过窗口限制也不利于模型抓住重点。常见做法是维护一份“用户画像摘要”每过几轮对话就调用一次模型把历史消息浓缩成几个标签。下一次请求只传摘要不传全部日志。8.3 先跑通最小链路再上复杂框架很多人做智能体一上来就接 LangChain、向量数据库、多Agent框架结果问题太多反而跑不通。更稳妥的路径是先用 JSON SQLite 把“知识检索 上下文组装”这个最小链路跑通确认效果稳定之后再渐进引入向量检索、工作流编排、多Agent协作。8.4 安全与权限边界如果这个智能体要接入企业内部系统背景知识库可能包含敏感数据。务必做到第一知识按权限分组不同用户只能检索到对应范围第二对话日志中如果包含个人信息要加密存储并设置保留期限第三模型回答不能绕过权限直接透出数据库内容。最小权限原则同样适用在知识检索层。8.5 日志与可观测性智能体出错的排查比普通程序困难因为中间隔了一次模型调用。建议每个请求都打印完整的 System Prompt、检索命中的知识条目、模型原始输出。只要把这三种日志留全90% 的问题都能快速定位。8.6 预留“不知道”出口知识库没有覆盖到的问题Agent 应该明确说“根据现有资料无法回答”而不是硬编一个答案。这既是对用户负责也是知识库迭代的依据。可以建立一个“未命中问题”日志表定期分析用户都在问什么再补充知识条目。9. 结语与后续学习方向回到标题里的“记住谁发明了钢琴键背景智能体”。这个例子虽然小但它把知识型智能体的完整套路走了一遍背景知识被设计成结构化文件记忆被存入数据库对话时两者被组合成上下文再交给模型生成回答。如果只是简单让大模型回答历史问题不需要做这些工程。但一旦你想让Agent稳定服务于某个业务场景比如产品知识问答、售后自动答复、内部文档助手“按需注入背景知识 跨轮记忆”就是绕不开的两个模块。顺着这个方向继续深入建议下一步研究三件事第一用向量检索替换关键词匹配让知识库支持更自然的问法第二把 SQLite 升级成独立数据库并实现知识版本管理第三引入多Agent设计让“记忆管理”“知识检索”“对话生成”变成独立子系统各自维护、各自扩展。真正用的时候你会发现智能体的能力边界不是模型决定的而是背景知识的设计质量决定的。知识整理得越清楚Agent 越靠谱。这条经验比任何提示词技巧都值钱。