Qwen Code 改进建议

April 13, 2026 · View on GitHub

核心洞察：当开发者在复杂项目中多次调用特定的代码助手（比如一个被配置为 Code Reviewer 或 DB Expert 的特定子 Agent）时，往往需要一遍遍地告诉它：“本项目缩进为 4 空格”、“不要使用 any”、“数据库用的是 Postgres 不是 MySQL”。一旦终端会话结束，Agent 刚刚学到的宝贵经验瞬间灰飞烟灭。Claude Code 为衍生 Agent 独创了 3 级（User / Project / Local）分离式持久化记忆体系，让 Agent 拥有了跨会话的记忆进化能力；而 Qwen Code 目前所有的 Agent 每次启动均是“失忆”状态。

返回 改进建议总览

一、为什么 Agent 会“反复失忆”？

1. Qwen Code 现状：短暂的上下文生命周期

Qwen Code 的所有上下文状态（除了用户硬编码的 System Prompt 字符串外）都只存在于当前的 Session 内存或长对话历史中。

  • 痛点：对于通用 Agent，你可以每次手动传入一条长长的 Prompt。但如果你创建了十个特定职能的 Agent，它们在执行不同任务时踩了坑（比如发现某个库的版本不兼容，或者某种编译参数在这个项目跑不通），这些用 Token 和时间换来的血泪教训，在 AgentTerminateMode.SUCCESS 后就被丢弃了。

2. Claude Code 解决方案：3 级独立挂载体系

在 Claude Code 的 tools/AgentTool/agentMemory.ts 中，为 Agent 引入了独立于核心历史文件的“独立脑区”。

如果在创建一个 Agent 时，在它的配置中指定了 memory 级别，系统会自动在磁盘上为它开辟存储区，并默认为它授权一组针对该存储区的 Read/Write/Edit 工具，让大模型可以通过操作工具自己写笔记！

级别 1：User Memory (全局通用)

存储在操作系统的 Home 目录下（例如 ~/.claude/agent-memory/[agent-id].md）。 Agent 在任何项目下启动，都会自动包含这份记忆。适合记录开发者个人的通用偏好。

级别 2：Project Memory (项目通用)

存储在项目代码库中（例如 .claude/agent-memory/[agent-id].md）。 设计用于团队共享。这部分记忆会被提交进 git 仓库。比如“前端代码审查 Agent”在里面记下了整个团队约定的 React Hooks 闭坑指南，所有 pull 代码的新人都能直接享受到一个“老练”的 Agent。

级别 3：Local Memory (项目私有)

存储在项目的忽略目录下（例如 .claude/agent-memory-local/），并自动加入 .gitignore。 用于记录只针对当前环境的机器差异（比如这个开发者的本地 MySQL 端口是 3307）。

二、Qwen Code 的改进路径 (P1 优先级)

赋予多 Agent 真正自我进化的知识积累能力。

阶段 1：设计 Memory 层级与生命周期

  1. 在 packages/core/src/agents/ 下新增 agentMemoryService.ts。
  2. 定义 3 级路径解析逻辑，根据当前执行的 agentId (如果是子代理) 或者是 Main (主交互代理)，定位到对应的三个 .md 记忆文件。

阶段 2：系统提示注入 (Context Injection)

在 agent-core.ts 组装 System Prompt 时：

  1. 提取上述 3 级文件内容。
  2. 附加一段明确的系统指令：

    "Here are your persisted memories from previous sessions. These are critical rules and past learnings. You MUST abide by them."

  3. （为节省 Token，可配合 Token Budget 拦截，截断超过 4KB 的部分）。

阶段 3：赋予 Agent 自我编辑能力

针对带有记忆能力启动的 Agent，向它的工具列表中动态注入一套“记忆读写微型工具集”：

  • WriteMemoryTool: 追加一行新学习到的规则。
  • EditMemoryTool: 清除或修改过时的规则。 这样大模型就能在执行任务结束前（或者发现踩坑时），自己把知识沉淀到硬盘中，留给明天的自己！

阶段 4（可选）：参考 Hermes Agent 闭环学习设计

Hermes Agent 提供了一个更完整的参考：它不仅有 3 级记忆层级，还实现了"冻结快照 + 双计数器 Nudge + 后台 review 子代理 + 自修补"的完整闭环。关键经验：

  1. 冻结快照模式（tools/memory_tool.py:11-14）：会话开始时拍 memory 快照注入 system prompt，会话内 disk 写入不改 system prompt —— 保护整个会话的 prefix cache 命中率
  2. 双独立计数器：_turns_since_memory（10 用户回合）+ _iters_since_skill（10 次工具调用），分开管理 memory 和 skill 学习
  3. Post-response Review 子代理：绝不与主任务抢模型注意力（run_agent.py:10183-10191）
  4. EditMemoryTool 进阶到 patch 自修补：发现过时立即就地修补，不等用户指示

这些可直接 backport 到 qwen-code 的 agentMemoryService.ts 设计中。详见 闭环学习系统深度对比。

三、改进收益评估

  • 实现成本：中等。核心是管理文件路径注入，并提供安全受限的配套改写工具。
  • 直接收益：
    1. 复用增效：彻底消灭“重复调教 AI”的挫败感，极大提升高频用户的黏性。
    2. 知识资产化：将资深员工在大模型交互中纠正的经验固化到了 Project Memory 中，实现代码库与“大模型审查规则库”同生同长。