在開發 AI 應用時，很多初學者會習慣將所有的對話紀錄（Chat Logs）全部塞進 LLM 的 Context Window（上下文視窗）。Context Window 指的是模型一次能處理的最大文字量。對於短對話沒問題，但如果你在開發一個需要執行數百次請求、產生數 MB 資料的長週期 Agent 系統，這種做法會導致兩個嚴重的問題：一是很快就會達到 Token 上限而崩潰，二是當資訊量過大時，模型會出現注意力分散，導致回答品質下降。
Slack 的工程團隊為了讓多個 AI Agent 在長週期任務中保持邏輯一致且不產生幻覺，放棄了單純累積對話紀錄的做法，轉而採用一種結構化的記憶管理機制。
多代理人協作架構
Slack 採用的是 Coordinator Dispatcher（協調調度）設計。簡單來說，系統中會有一個核心的協調者（Coordinator）扮演決策者角色，負責接收請求並將任務分派給下層的專家代理人（Experts）與評論代理人（Critics）。
專家代理人負責執行具體任務並提供初步結果，但 AI 常有 Hallucinations（幻覺，指模型自信地編造錯誤資訊）的問題。因此，評論代理人的角色至關重要，他們不負責執行，而是專門審核專家的結果，檢查證據是否真實，並給予可信度評分。
三層結構化記憶通道
為了避免將所有原始資料重複傳遞，Slack 設計了三條專門的記憶通道來儲存精煉後的資訊，這就像是幫 AI 建立了不同用途的筆記本。
第一條是 Director's Journal（指導者日誌）。這相當於系統的短期工作記憶，紀錄了目前的發現、觀察結果、已做的決定、待解決的問題以及假設。它提供了一個共同的敘事脈絡，確保所有參與的 Agent 知道現在進度到哪裡，不會在執行過程中迷失方向。
第二條是 Critic's Review（評論審查表）。這是一個經過驗證的真相過濾器。評論代理人會利用證據檢查工具，將專家提供的資訊轉化為一份帶有可信度權重的清單。為了極大化降低幻覺，評論代理人被嚴格限制只能對提交的結果做判斷，不能自行發揮。
第三條是 Critic's Timeline（評論時間軸）。這是最高層級的精煉資訊。它會綜合日誌、最新的審查表以及之前的時間軸，剔除重複內容，解決衝突資訊，並僅保留最強證據支持的結論。這形成了一套一致且可靠的事實紀錄。
這種設計對工程實務的啟發
對於開發 Agent 的工程師來說，這件事的核心啟發在於：不要試圖讓 LLM 記住所有事情，而要設計一套機制讓 LLM 讀取精煉後的摘要。
透過將記憶拆分為工作記憶（日誌）、驗證記憶（審查表）與事實記憶（時間軸），Slack 成功讓 Director 能做策略決定，Expert 能基於先前理解繼續工作，而 Critic 能客觀評估。這種結構化記憶管理法，是解決複雜 AI 代理人系統在長週期運行中失效的關鍵路徑。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。