坦白讲，我一直在尝试使用各种Agent 产品，但我用的真的不好。这真不是我谦虚，每次看到网上各种大神教程讲述自己的Agent 有多深刻了解自己，仿佛自己肚子里的蛔虫的时候，

屏幕前的我只能不禁感叹，真是：

一样的米，养百样的人。

而我养出来的人，就像上面这个图一样，不仅在我屡次教导无果之后，还妄图尝试让我自己亲自动手干活。

还真给你翻了天了难道？

一开始我以为是它的脑子不好，然后我就给它换模型，但我换来换去发现不管咋样，效果还是不太行。

每天0点过5分的定时任务，在我强调多次之后，还能让我在第二天的早上5点才收到一条消息。。。

这种时候，我就特别能理解当年读书的时候，老师怎么教都教不会我的心情。。。

后来有一天我在看一本叫《设计心理学》的书，里面有一个概念的区分，叫头脑中的知识和**外界知识。它提出了一个观点，**大意是：

精准行为不一定要求所有知识都在脑子里，知识可以分布在脑中、环境中、约束中。

所以，我当时一下子就联想到我正在养的Hermes， 如果大佬们总喜欢把Agent 比作和人一样的话，那是不是我给Agent设计的外部环境还不够好，导致它表现不佳？

而根据我的理解，这个外部环境，对于Agent 来说，其实也就是它的记忆环境。 和人一样，它的经历、总结、反思、提升都来自于这个外部环境。

所以，在我翻遍了各个Agent 的记忆实现方式之后，我找到了MemOS Local Plugin 2.0这个记忆插件。

目前，这个项目在Github已经有9.4k star了。

🔗： https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin

它目前支持OpenClaw 和 Hermes。所以为了尝尝鲜，我特意弄下来给我的马🐎试试，看看还能不能医好它。

一行命令就可以安装：

curl -fsSL https://raw.githubusercontent.com/MemTensor/MemOS/main/apps/memos-local-plugin/install.sh | bash

这个脚本会自己去寻找你的机器上是否安装了龙虾和Hermes。两个插件，都用这一行命令

一行命令安装配置好之后，会看到一个链接，点开之后，就可以看到之后自己与Agent 对话所产生、沉淀的记忆展示情况了。

然后我们需要配置好首页展示的这三个模型：嵌入模型、摘要模型和技能进化模型。

为了效果好，我们尽可能还是要选择效果比较好的模型。

比如我自己这里，embedding 模型配置的是Qwen3-Embedding-8B，然后摘要模型和技能进化模型都配置的是DeepSeek。

选DeepSeek 懂的都懂，响应又快，效果又好，还便宜。让我们一起感谢梁圣==

这里要注意的是，Agent 对你的记忆是聊出来的。所以光配置完成，如果你不多聊聊，这个插件是不会显示关于你的任何记忆的。

一定要多聊聊啊，朋友们。

我先讲讲这个记忆工作台。 因为了解了这个工作台不同模块的作用，你也就对整个记忆插件的工作原理更加多了解一步。

整个工作区其实就分为记忆、任务、经验、环境认知和技能。我们一个个说。

记忆其实很好理解，就是你和Agent 对话过程的记录的提炼。

比如我曾经问过它，我关注了哪些股票，你就会在这里看到它时怎么提炼这段对话作为记忆的。

接下来，是任务板块。每个任务都是一段聚焦的对话。点进去可以看到说过什么，以及是否生成了经验或技能。

你就可以看到我框出来的这一条它其实已经帮我升级成一套技能了。

因为这个简直就是我日常最常用的一套工作流，就是丢个我看到还不错的链接内容给Agent，先让它帮我大致了解一下在讲什么，看看有没有价值深入去写，觉得内容还不错的，我就会让它帮我用放到多维表格中，作为一个选题池子。

这样的任务基本进行了7，8次之后，它就会自动帮你从任务升级成技能。 而技能，MemOS Local Plugin 2.0 对它的定义就是从成功任务中沉淀出来、可以重复调用的能力。

天老爷，经过成功任务的沉淀积累后，终于再也没跑出报错来了。

日常经常跑的任务，它沉淀出来的技能写的非常清楚，分为元数据、和调用指南。

而且每个技能下方都会有对应的经验来源以及证据锚点，也就是我们的对话记录。

这样一来，所有的任务、技能都是有据可依的。

说了任务、技能，其实还有经验也是非常重要的一个板块。

如果说任务是人每天都干的事情，技能是人通过每天干这一个事儿，久而久之学会的东西，那经验其实你可以理解为时间长了，Agent 就知道遇到相类似事件的时候，该做什么，不该做什么。

我举一个日常的一个工作中的小case来说。

就是无论是自己日常开发，或者看一些别的项目或者是写文章的时候，我都可能会进行多方面的比较他们的相同点或者是差异性。

以前这活肯定是自己干，但是现在有了Agent 之后，都是它干。

但是如果是一个不了解你的Agent，就像第一天来报道的员工一样，它会经常get 不到你关注的重点在哪里。

但只要你跟他指导过一次，它就会自动给你更新一下记忆。

其实我一开始在对话界面，看到这个更新记忆觉得也就正常。 但后来我翻了翻前面配置好的那个记忆后台。

在经验这个板块内，它自己总结出了一套东西。

比如这是它自己总结出的，再遇到需要比较技术方案的时候，就要触发这个经验，推荐应该怎么做，而应该避免怎么做。

还有，我之前跟他brainstorming 选题的角度，一通讨论之后，跟他说，“行吧，我再想想”。

它也自己总结出了一套经验，在我说让我再想想的时候，应该怎么回复我。

这些经验关联着任务和技能，而任务又和技能和记忆相关，形成了一个完美的联动闭环。

最后还有一个环境认知。

环境认知其实是一个非常微妙的东西。

它是Agent 对你工作场景的整体认知。 它关联着任务，反映的是Agent 对它实际工作任务中的认识，相当于这里就是给Agent 的一个主题背景知识，免得下次做差不多的事儿，又不知道怎么搞了。

理解完这些之后，你会发现MemOS Local Plugin 2.0把整个记忆系统打造的虽然复杂但是严丝合缝。

复杂是因为它其实都把Agent 每一次执行任务，交互都当作了一次学习的机会。

主打的就是一个执行即学习。

严丝合缝是因为，做到执行即学习这一步，其实需要的是一条非常完整的流水线。

从完整的每一步执行链路的捕获、反思问题出在哪一步、归纳并总结，再到上升更高维度的抽象和技能提升，这一整个环节我越看越眼熟，越看越眼熟，后来才发现这特么不就跟人类的处理问题的流程一样嘛！

当然我说起来其实很容易，先这样，再那样，但是背后其实是一整套非常复杂的工程设计，要考虑非常多的情况。包括就算Agent 学到了，那该怎么用，其实也一直是一个大问题。

MemOS Local Plugin 2.0 采取的策略是按需注入：要行动取 Skill，要参考取历史轨迹，要做主题规划取环境认知。主打的就是一个对上下文环境的精打细算。

而且MemOS Local Plugin 2.0的另一个优势是，你可以在不同的Agent 上匹配你的记忆。比如我现在养的还是爱马仕，等下次可能又回到了龙虾。虽然Agent 本身变了，但记忆没变。

只要记忆没变，那我就依然还是我！

还是唐纳德·诺曼的那本《设计心理学》，里面有一句话讲的是：

The power of the unaided mind is highly overrated.

独立大脑的力量，被严重高估了。

这句话放在人身上成立，放在 Agent 身上也成立。

一个人能稳定做事，靠的从来不只是脑子。还要靠笔记、经验、流程、环境、过去踩过的坑，以及下一次别再踩进去的提醒。

Agent 也一样。

我们总以为问题出在模型不够强，后来才发现，很多时候不是马不行，问题出在马厩太烂。

当记忆、任务、经验、环境认知和技能真正串起来之后，Agent 才不再像一个每天重新入职的新员工。

它开始拥有了过去。

而一个拥有过去的 Agent，才终于有机会，参与你的未来。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】