LangChain视频2026年6月24日

How LangSmith Engine Turns Agent Traces Into Durable Memory

8.5内容质量

可直接观看的视频资源打开原视频

TL;DR · AI 摘要

LangSmith 通过将代理的交互痕迹转化为持久记忆，实现代理的持续学习与行为优化。

核心要点

代理的短期记忆用于当前任务，长期记忆用于跨运行的行为改进。
LangSmith 引擎通过分析交互痕迹，生成可持久化的长期记忆更新。
语义记忆、情景记忆和程序记忆是长期记忆的三个关键分类。

结构提纲

按章节快速跳转。

§引言
大多数代理无法学习，只能留下痕迹，无法改进行为。
§短期记忆与长期记忆
短期记忆用于当前任务，长期记忆用于跨运行的行为改进。
§长期记忆的分类
长期记忆分为语义记忆、情景记忆和程序记忆三类。
§记忆的读写循环
运行期间从长期记忆读取信息，运行结束后将新知识写入长期记忆。
§LangSmith 的作用
LangSmith 引擎通过分析交互痕迹，生成持久化的长期记忆更新。

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）

代理记忆系统
- 短期记忆
  - 当前任务上下文
  - 临时推理状态
- 长期记忆
  - 语义记忆
  - 情景记忆
  - 程序记忆
- LangSmith 引擎
  - 痕迹分析
  - 记忆更新

金句 / Highlights

值得收藏与分享的关键句。

短期记忆帮助代理在当前任务中保持连贯，但无法实现跨运行的行为改进。
— 第 0:47-0:55 段
⬇︎ 下载 PNG 𝕏 分享到 X
长期记忆包括语义记忆、情景记忆和程序记忆，分别对应知识、经验与行为规则。
— 第 1:03-1:29 段
⬇︎ 下载 PNG 𝕏 分享到 X
LangSmith 引擎通过分析交互痕迹，将信号转化为持久化的长期记忆更新。
— 第 1:52-2:06 段
⬇︎ 下载 PNG 𝕏 分享到 X

#LangChain#AI代理#持续学习#记忆系统