11
0本期信息
原始来源：《Agentic Design Patterns》拆书系列 第三期
系列：智能体设计模式拆书（4期连载，本期 3/4）
本期摘要
这是《智能体设计模式》拆书系列的第三期，聚焦五个进阶模式：记忆管理（Memory Management）、学习与适应（Learning and Adaptation）、MCP（Model Context Protocol）、目标设定与监控（Goal Setting and Monitoring）、以及知识检索/RAG（Retrieval-Augmented Generation）。如果说前两期讲的是智能体怎么干活，这期解决的是智能体怎么变得越来越好用——从无状态的一次性工具，进化为有记忆、能学习、能连接外部工具、能自主规划的长期协作者。Hao 从游戏项目管理的实战视角出发，将这五个模式与团队信息管理、流程优化、工具链整合和知识沉淀做了具体对照，并分享了自己搭建 AI 指令体系的实践经验。
本期讨论了这些问题
为什么大语言模型需要记忆管理，记忆系统应该记什么、忘什么？
智能体如何从用户反馈和自身经验中学习，而不是每次都犯同样的错？
MCP 协议到底解决了什么问题，为什么说它是智能体的「万能接口」？
智能体能不能像项目经理一样自己拆解目标、追踪进度、处理冲突？
RAG 检索增强生成的核心瓶颈不在模型而在检索，怎么理解这件事？
本期核心内容
记忆管理是智能体从工具升级为伙伴的关键一步
大语言模型本身无状态，每次对话从零开始。记忆管理通过短期记忆（当前对话上下文）、长期记忆（跨对话的用户偏好和历史事实）、工作记忆（任务中间结果）三层结构，让智能体能够保存、检索和利用过去的信息。设计难点在于选择性存储和过时信息淘汰。
学习与适应让智能体从经验中改进，而不只是记住
包含三个层面：从显式反馈中学习（用户直接指出好坏）、从隐式反馈中学习（观察用户修改行为）、自动优化（智能体自行调整提示模板）。书中还提出「元学习」概念——智能体不仅改进具体任务，还改进自己的学习策略本身。
MCP 协议解决的是工具接入的规模化问题
在 MCP 出现之前，每接入一个新工具都要写定制集成代码。MCP 定义了一套标准交互格式——工具如何描述能力、智能体如何发送请求、工具如何返回结果——让任何符合规范的服务都能像原生功能一样被使用。类似游戏引擎的插件系统设计思路。
RAG 的核心不是模型有多强，而是检索有多准
RAG 解决了模型训练数据有截止时间和可能产生幻觉两个问题。提升检索质量的策略包括查询改写、多路检索和重排序，核心思路是让智能体在检索阶段就想清楚自己要找什么。
游戏行业视角：分层加载、流程自动优化、工具链串联和知识激活
记忆管理的「分层加载」对应 PM 的信息分层管理策略；学习与适应有望让流程优化不再依赖个人直觉，经验被编码进系统；MCP 有机会串联游戏行业碎片化的工具链（飞书、Git、Perforce、JIRA、企微）；RAG 则能激活团队中大量沉睡的策划文档和复盘总结。
本期提到的人物与概念
概念：记忆管理 / Memory Management、学习与适应 / Learning and Adaptation、MCP / Model Context Protocol、目标设定与监控 / Goal Setting and Monitoring、RAG / Retrieval-Augmented Generation、元学习 / Meta-Learning、向量数据库 / Vector Database、查询改写 / Query Rewriting、多路检索 / Multi-path Retrieval、重排序 / Re-ranking
关于我
我是 Hao，游戏行业项目管理从业者，9年经验。
课程 · 咨询 · PM成长社区 → pmnote.ai
