DSH Atlas Harness & Super-Agent
持久化记忆 JSONL 知识图谱 成本优化

记忆系统、知识图谱与 Prompt Caching 优化

普通终端 Agent 最大的痛点是每次新开窗口都像第一天入职:昨天刚踩过的构建坑、特殊的命名约定、历史架构决策全忘得一干二净。

1. 从“外挂 MCP”到“原生记忆插件”

在 dsh 生态中,社区(如 @libai168/dsh-tool-memory、Hindsight Coding Agents、MemoryRouter 等方案)不仅把记忆做成外部 MCP,更直接写成 Cordis 原生插件,深度接入 Agent 生命周期:

2. 三层上下文治理策略(省钱又防降智)

层级存放内容生命周期Token 开销控制
L1 静态规则层AGENTS.md、项目架构图、技术栈约束整个项目长期有效(高度稳定)放在 System Prompt 头部,最大化命中 Prompt Caching
L2 长期记忆图谱历史决策、已解决的疑难坑点、环境约定跨会话持久保存,按需检索仅通过 memory_search 召回最相关的 3–5 条
L3 当前工作窗口本次任务的源码片段、最新报错栈与 Diff单次任务结束即压缩/清理用工具结果折叠插件防止几万行日志刷爆上下文

3. 为什么上下文插件能省下 10 倍以上费用?

Prompt Caching 命中的秘密

在 Agent 多轮工具调用循环(动辄 30–80 轮请求)中,每一轮都会把前面的历史消息重新发给模型。如果某个 Harness 插件在循环中途频繁动态修改 System Prompt 头部的时间戳或乱序拼接工具定义,就会每一轮都击穿缓存前缀,导致费用暴涨数倍甚至十几倍。保持前缀稳定、仅在末尾追加新事件,是顶级 Harness 的必修课。