Harness 与 Agent 工程 · 上下文与记忆 · 2026-06-04

ContextBucket:Agent 的"无限"记忆与工作区底座

ContextBucket 为 AI Agent 提供统一底座,彻底解决记忆与工作区分离的难题,让规模化部署更简单。

核心内容:

  1. Agent 规模化后面临的记忆、工作区与治理三大断层
  2. ContextBucket 如何通过统一底座整合存储与检索能力
  3. 通过插件实现一键接入,简化开发与运维

"Agent 进入生产环境的下半场,比拼的不再只是模型,更是 Agent 与上下文之间的关系是否被系统性组织起来。ContextBucket 的使命,是让 Agent 的记忆与工作区长在同一个底座上——记得住、找得到、带得走。"

—— ContextBucket 产品愿景

背景与挑战:Agent 进入生产环境后的上下文困境

过去一年,Agent 正在从聊天 demo 走向生产系统:进入研发流水线写代码、嵌入运营平台做分析、接入客服后台处理工单。它们不再是开几轮对话就关掉的玩具,而是要在终端、协作工具和企业系统里长期运行的常驻进程。随之被推到台前的是一个看似基础、却长期被绕开的问题:Agent 的上下文——它记住的事实、它操作过的文件、它产出的中间结果——应该存在哪里?

过去一年的工程实践基本是「拼装」:记忆挂到向量库或 Mem0,文件落本地磁盘或对象存储,多租隔离自行实现一套。在 demo 阶段可以跑通,规模化后则同时暴露三类问题:记忆随会话和实例丢失、文件无法跨端共享、权限与审计缺失。维护这条上下文链路的工程量,正在反超 Agent 业务逻辑本身。根因不在某个组件,而在于 Agent 的「脑子」和「手」被强行拆在了两套独立的存储体系里,具体表现为三类断层:

💡 记忆断层

存在向量库或本地 SQLite,换设备就丢、窗口压缩后召回失真;只用向量检索"既不准也不省"——召回噪声大,关键决策被相似讨论淹没。

💡工作区断层

代码 / 配置 / 项目文档 / 运行产物全在本地磁盘,换机器就没,团队无法共享;自建 FUSE + 对象存储的拼装方案运维成本高。

💡治理断层

多 Agent 跑同机互相串数据;多用户、多团队没有原生隔离;迁移、审计、配额全靠人肉拼装,开发者最后不是在做 Agent,而是在维护一条上下文管道。

三类断层叠加,使 Agent 的记忆和工作区始终无法收敛到同一个底座——这正是 ContextBucket 试图回答的问题。

产品能力:一个底座,两种能力

ContextBucket 是火山引擎提供的托管服务,在同一套服务层内提供文件存储、记忆管理、混合检索、多租隔离与 Serverless 弹性。Agent 侧通过 ContextBucket Plugin 一键接入即可获得全部能力,无需分别对接向量库、对象存储与记忆中间件;每个 Agent 或用户对应一个 ContextSet(逻辑隔离单元),记忆与工作区文件在同一 ContextSet 下共享凭证与端点。下方列出以 OpenClaw 为例 ContextBucket 替代的全部组件:

下图给出 ContextBucket 的整体架构,自上而下分为接入层、能力层与存储层:

记忆:记得准、找得到、带得走

记得准:智能提取,只记事实

OpenClaw 的对话流里夹杂着大量过程噪声——反复讨论、方案对比、代码试错、被否决的提案。若这些内容被等量沉淀进记忆库,污染不可避免,检索精度也会随之下降。

ContextBucket 在写入侧做一次过滤:仅自动识别并提取对话中的关键事实——需求决策、技术结论、用户偏好,过程性的方案讨论、被否决的提案、代码试错不再等量保存;「昨天」「上周」一类相对时间表达进行特殊处理,避免后续召回时产生歧义。

💡 举个例子:

你让 OpenClaw 帮你重构一个微服务,聊了整整两天——讨论了三种接口拆分方案,权衡后选了按领域拆分;评估了 gRPC 和 REST,最终决定核心链路用 gRPC;定了错误码规范;确认了灰度按流量比例滚动发布。

没有智能提取的话,所有对话内容都会被存成记忆,下次你问"灰度策略怎么定的",检索出来的可能是讨论过程中的某段代码片段或某个被否决的方案。有了智能提取,存下来的只有最终结论。

找得到:多路检索,精准召回

存得准只是第一步,真正决定可用性的是召回精度。ContextBucket 采用向量 + BM25 双路检索 + Rerank 重排把决策结论排到前列;新会话首次交互时会额外触发一轮宽泛召回,避免关键上下文因提问模糊而被遗漏。

💡 例如你问 OpenClaw"上次决定核心链路用 gRPC 的依据是什么"。纯向量检索可能返回讨论 gRPC 时的多段对话,其中夹杂着性能担忧、学习成本质疑、对比示例代码——但真正的决策只有一段。混合检索把关键词、语义和排序合在一起看,让 Agent 拿到的是结论,而不是一堆沾边的过程。

带得走:服务端存储,易迁移,超大容量,低成本

记忆数据存储于 ContextBucket 服务端,而非 Agent 所在的本地磁盘。换机器、换环境,只要用同一个 user_id 接入,历史记忆即刻可用;容量也不再受本地窗口约束,按需检索、按需注入即可。在 Locomo 评测中,这一存储形态对应的端到端收益是 LLM 输出 Token 下降 80%、计费 Token 下降 43.2%。

举个常见场景:你在公司电脑上用 OpenClaw 做了一周项目调研,积累了大量技术决策和需求理解。周末想在家里的电脑上继续,过去要么手动复制记忆文件,要么从头再来;现在两台机器装上插件、共用同一个 user_id,记忆自动同步,回到家直接续上。

团队场景同理:成员各跑各的 Agent,但项目相关…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2026060445620.html