本系统针对感知类智能Agent存在记忆上下文冗余、token消耗过高问题,设计记忆筛选与压缩算法。实现对Agent历史感知对话、环境观测记录做过滤、摘要压缩,减少大模型输入token开销。提供API接口,可对接各类感知Agent,完成多组对比实验,验证压缩后Agent任务效果损失可控,显著降低调用成本,可用于智能体原型开发与学术研究。
整体分为记忆采集层、记忆压缩处理层、Agent推理接口层三层架构,基于Python、LangChain、FastAPI搭建,调用开源大模型完成感知任务推演。本人独立完成记忆筛选压缩算法编写、对比实验脚本、后端API封装。经测试,在感知任务场景,记忆Token平均缩减42%,任务准确率下降控制在5%以内。开发中遇到记忆关键信息丢失问题,通过增加重要记忆权重打分机制解决,过滤无效冗余内容,保留任务关键上下文,完成整套原型与对照实验。