我一直在思考一个我称之为“上下文本体”的概念——主要是因为我希望有一个地方可以看到上下文的来源，以及它们在什么提示中被使用。 对于大型语言模型（LLM）生成响应或采取行动的有用上下文可能包括以下内容：（1）高层次目标，（2）当前任务/关注领域，（3）相关过去任务的总结信息，（4）之前尝试的学习等。 随着我们对代理的期望增加（更长的任务、更复杂的项目等），原始记忆很快就会变得令牌重且嘈杂，这降低了LLM输出的质量。大多数复杂的人工智能应用都有某种总结的上下文（我想是这样），以及多个上下文来源。 这里的想法是定义一个你存储的上下文本体，如何构建它，以及在你的系统中为每个提示检索什么。 *这里的存储，我并不一定指的是人工智能的数据库。重要的是，考虑存储在任何应用中的数据作为人工智能记忆的一部分（例如API/MCP连接）似乎更为整体。也许这个本体应该对此进行说明。 进一步说，你可以将其变成一个动态本体，让人工智能可以管理和测试，然后将其放入一个强化学习环境中，让代理自我改进上下文管理（假设如此）。 不确定总结策略是否应该放在这里，但从高层次来看是有意义的。更棘手的是，大多数人在摄取信息时会进行总结，因此每次更改时都必须重新总结之前的摄取（用于测试更改和自我改进）——但我想这个问题无论如何都会存在。 我认为这里没有什么特别新的内容。只是我在思考，试图在内部创建一些框架，以映射我所见过的各种策略。