PowerContext实现Agent经验技能传递，从像素搭桥任务看可复用知识沉淀机制

在人工智能体（Agent）快速落地应用的当下，一个关键瓶颈逐渐浮现：单个 Agent 完成任务后，其过程性知识往往随任务结束而消散，无法被其他 Agent 或后续任务复用。如何让经验真正‘留下来’，成为提升多 Agent 协作效率的核心问题。近期，PowerContext 团队在外滩大会分享了一套基于真实任务验证的解决方案——通过结构化沉淀机制，使 Agent 的实践成果转化为可持续调用的知识资产。

该方案以一个像素风格的营地任务为实验载体：Agent 需在限定地图中取材、搭桥、铺设导线，并将发电机连接至营地灯泡，最终点亮灯光即视为任务成功。整个过程由 Codex SDK 驱动的真实 Agent 执行，视频中可见其自主规划路径、操作材料并完成通电闭环。然而，任务虽成功，右侧技能树却未点亮，正式 Skill 数量仍为 0——这揭示了一个普遍现象：执行结果不等于可复用知识。

为解决此问题，PowerContext 引入了三层递进式知识管理架构：Source → Experience → Skill。第一层是 Source，即原始证据链。它并非简单日志堆砌，而是结构化保存任务全过程的关键事实：初始环境状态（如河道宽度、材料库存）、Agent 实际动作序列（如在坐标 (3,5) 放置木板）、以及环境验收结果（如 bridge_reachable=true、beacon_powered=true）。这些数据构成可回溯的“事实锚点”，确保后续经验提炼有据可依。

第二层是 Experience，即经验条目。PowerContext 将每条经验固定为四个字段：situation（情境）、action（行动）、outcome（结果）、lesson（教训）。以搭桥为例：

• situation：河道阻断通路，需抵达对岸；
• action：观察缺口位置，准备木材，逐格搭桥推进；
• outcome：通路检查通过，对岸可达；
• lesson：应先确认河岸地形与缺口尺寸，再依据当前材料条件施工。

这一结构设计至关重要——它避免了传统总结中“只讲结论、忽略适用边界”的缺陷。只有当后续 Agent 面临相似情境（如同样存在线性障碍且材料有限），才能判断该经验是否适配。系统后台会自动调用配置模型，从 Source 中抽取信息生成候选 Experience，但不会自动批准。所有经验必须经人工审核确认后，才转为正式 Experience。这一设计体现了人机协同理念：AI 负责高效整理，人类负责质量把关，保障知识可靠性。

第三层是 Skill，即技能模块。正式 Experience 可进一步被封装为结构化技能，供新 Agent 在类似任务中直接调用。例如，“跨线性障碍搭桥”经验可抽象为一条技能规则：若检测到连续空格缺口 ≤3 格，且库存含 ≥2 块木板，则启动搭桥协议。该技能可嵌入新 Agent 的决策流程，无需重复探索解法。

在实验中，团队更换地图与新 Agent 后，重新加载此前沉淀的 Experience 与 Skill，新 Agent 显著缩短了试错周期：它不再盲目试探材料组合，而是直接调用“先勘测缺口再选材”的经验框架，并基于历史结果调整施工顺序。这验证了知识传递的有效性——经验不是静态文档，而是动态可执行的决策支持单元。

值得注意的是，PowerContext 并非孤立工具，而是 PowerMem 的重大升级版，定位为“人与 Agent 协作的上下文管理平台”。其核心价值在于将工作流中的隐性知识显性化、标准化。在企业级场景中，这意味着项目交接时不再依赖口头描述或零散笔记，而是通过上下文容器完整迁移约定、进度、方法论与失败教训。例如，某次数据库迁移任务中，Agent 发现特定索引重建会导致锁表超时，该发现可被记录为一条 Experience：“当表行数 >1 亿且存在唯一约束时，避免全量重建索引”，后续同类任务即可规避相同风险。

该机制与游戏领域中 Agent 设计思路存在深层呼应。补充素材中提及的 Race Agent 系统，同样强调指令与执行分离：Agent 仅发出 ATTACk 或 CONSERVE 等高层指令，实际动作受生物状态（疲劳、敏捷）、环境（拥堵、地形）影响而产生差异化结果。更关键的是，其提出“Agent 可积累自身历史”的设想——持续使用的 Agent 应能从过往成败中优化策略。这与 PowerContext 的 Experience 孵化逻辑高度一致：知识沉淀不是一次性归档，而是随任务迭代持续进化。

区别在于，PowerContext 提供了更严谨的工程化路径：通过 Source 保证事实可验，通过四要素 Experience 确保判断可靠，通过人工审核控制质量阈值，最终输出可集成的 Skill。这种分层设计避免了纯自动化带来的幻觉风险，也优于纯人工知识库的低效维护。

目前，该方案已在 OceanBase 社区技术实践中初步落地。随着多 Agent 系统在运维、客服、研发等场景深入应用，经验技能的跨主体传递将成为提升整体智能水平的关键基础设施。未来演进方向包括：支持 Experience 的版本管理与冲突合并、引入因果推理增强 lesson 的泛化能力、以及与 RAG 系统联动实现动态知识检索。