MemoryLake
工程与开发者ReAct风格代理循环的记忆

为ReAct代理循环提供每个思想、行动和观察的记忆

ReAct（推理 + 行动）循环生成一个思想，采取一个行动，观察结果，然后重复。每次迭代通常会清除早期迭代所需的上下文。MemoryLake为ReAct代理在迭代、会话和运行之间提供持久记忆。

Day 1“ReAct（推理 +”“行动）循环生成一个思想，采取一个行动，观察结果，然后重复。每次迭代通常会清除早期迭代所需的上下文。MemoryLake为ReAct代理在迭代、会话和运行之间提供持久记忆。”✓ Got it, I will remember.Day 7 — new session“Same task again — can you keep the context?”× Sure — what was the context again?(forgot every detail you taught it)+ MEMORYLAKE LAYERMemory auto-loaded每次迭代提交记忆跨迭代检索跨迭代锚定的目标记忆SESSION OUTPUT✓ Same prompt, on-brand answerNo re-briefing required.

为ReAct代理循环提供每个思想、行动和观察的记忆

免费开始使用

永久免费 · 无需信用卡

问题：ReAct迭代在思想步骤之间失去上下文

在长ReAct追踪的第20次迭代中，最初的目标被转述，早期观察被总结，代理正在基于其自身发现的第三代副本进行推理。ReAct在理论上强大，但在没有持久记忆的情况下在实践中会丢失信息。

MemoryLake如何支持ReAct循环

每次迭代提交记忆

每次迭代提交记忆

每个思想/行动/观察三元组存储为类型化记忆。

MEMORY跨迭代检索

跨迭代检索

后续步骤检索特定的先前思想或观察。

MEMORY跨迭代锚定的目标记忆

跨迭代锚定的目标记忆

固定的原始目标防止漂移。

跨运行的反思记忆

跨运行的反思记忆

先前运行中的模式为当前规划提供信息。

免费开始使用

永久免费 · 无需信用卡

ReAct记忆的工作原理

  1. 连接 — 将MemoryLake接入ReAct循环的提交步骤。
  2. 结构 — 每个思想/行动/观察变为类型化记忆。
  3. 重用 — 后续迭代根据相关性检索特定的先前步骤。

前后对比：ReAct循环记忆

Without MemoryLakeWith MemoryLake
Iteration 20 sees iteration 1's observationParaphrasedRetrieved verbatim
Cross-run learningNoneReflection memory
Goal preservationDriftsPinned
Audit reasoning chainLimited logsMemory provenance

适合谁

在生产中运行ReAct风格代理的团队 — 研究代理、浏览代理、编码代理 — 在迭代次数增加时循环质量下降的场景。

可运行的 demo约 4 分钟

在你自己的账号上跑通这个场景

Tarnwick 的排障 agent 用 ReAct 循环处理一起结账延迟事故：五个动作里排除了四个嫌疑（冷 Redis 缓存、支付网关连接池、fraud-scorer sidecar、DNS），找到一条线索，然后步数用完。下一次运行先问记忆：调查已经确定了什么。把 scratchpad 作为文本交给 MemoryLake 的抽取器，线索每次都留下，排除结论只留下 0/32；续跑的计划在 96 个选择里重查了 26 次死路。每轮迭代用 fact add 写一条带类型的记录，全部留下，计划一次死路都没重查；但问到两个从没查过的嫌疑，模型有 29/47 次说已经排除。再加一条「其余都没排除」的覆盖记录，降到 0/48。

你会看到

  • 同一个循环五种存法：Thought 为 TEXT、配 TOOL_USE / TOOL_RESULT 块；scratchpad 整段为 TEXT；同上但每个结论都说出来（「… so X is ruled out」）；每轮一条 fact add 记录；记录再加一条覆盖记录
  • 续跑经 memorylake router chat --boundary 提问：「挑接下来 4 个动作」，以及对四个查过、两个没查过的嫌疑问「调查是否已经排除 X？」；无记忆臂作为 ∅ 基线
  • 8 次运行：记忆里留下的排除结论——工具块 0/32，scratchpad 0/32，说出结论 28/32，记录 32/32；记忆里没有结论却答 Yes，判为猜测，不算记住
  • memory 子命令列出每种存法对每个嫌疑记住了什么，ask queries 把反向问题问遍所有臂，另有本地 Web 界面

需要: 一个 MemoryLake API key · memorylake CLI · Python 3.9+

运行

git clone https://github.com/memorylake-ai/memorylake-usecases.git
cd memorylake-usecases/ruled-out-memory
export MEMORYLAKE_BASE_URL=https://app.memorylake.cn/openapi/memorylake
export MEMORYLAKE_API_KEY=sk-…
python3 demo.py          # or: python3 web/server.py
在 GitHub 上打开阅读完整说明

看它跑起来 · 真实录制，未剪辑

CLI 演示5:59Web 演示6:14

相关场景

Engineering & Developer计划与执行代理的记忆Plan-and-execute agents lose the plan as execution drifts. MemoryLake pins the plan and tracks execution state in typed memory. Free to get started.
Engineering & Developer思维树代理的记忆Tree-of-Thoughts agents explore many branches. MemoryLake gives them branched persistent memory with merge and rollback. Free to get started.
Engineering & Developer反思风格自我改进代理的记忆Reflexion agents need persistent reflection memory to actually self-improve. MemoryLake provides it with typed reflection memory. Free to get started.
Engineering & Developer跨代理架构的记忆基准测试Comparing memory strategies across agent architectures needs controlled benchmarks. MemoryLake provides the substrate. Free to get started.
Engineering & Developer多步骤代理推理的记忆追踪Multi-step agent reasoning is hard to trace. MemoryLake links every reasoning step to the memory that drove it. Free to get started.

常见问题

紧凑的ReAct循环中的延迟？

单数字毫秒检索；可以忽略不计。

长ReAct追踪的存储成本？

增量编码的提交保持低开销。

自托管？

是的 — 企业级在您的VPC中部署。

全部场景免费开始使用