Acontext：把 Agent 记忆写成可读、可改、可迁移的技能文件
Agent Skills as a Memory Layer
秒懂
- 它是什么？
- Acontext 是一个开源技能记忆层，把 Agent 运行中的经验蒸馏成 Markdown 技能文件，用工具调用代替向量检索。本文基于其 README 与仓库结构，分析它的存储与召回机制、部署方式、适用边界。
- 适合谁用？
- 适合希望 Agent 从错误中学习、且不想被向量数据库或黑盒记忆锁定的开发者。它把记忆暴露为 Markdown 文件，你能用 git 追踪、用编辑器修改、在多个框架间迁移。
- 能商用吗？
- 可以。Apache-2.0 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
- 还在维护吗？
- 在维护。仓库最近一次提交在 63 天前。
- 用什么语言写的？
- 主要是 JavaScript（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
它解决的是记忆不透明的问题
多数 Agent 记忆方案把经验塞进向量库或隐藏的上下文缓冲，用户看不到里面存了什么，错了也难改。Acontext 换了个思路：把记忆写成技能文件，也就是 Markdown 文件，Agent 每次运行后自动把学到的内容蒸馏进去。这些文件能被读取、编辑、分享，也能跨 Agent、跨 LLM 使用。目标用户是正在构建 Agent、希望它从错误中学习并复用成功经验的开发者，尤其是那些对黑盒记忆感到不安的人。
存储流程：从会话到技能文件的蒸馏
README 画了一条清晰的链路：会话消息先进入系统，当任务被标记为完成或失败时触发学习。接下来是蒸馏阶段，一次 LLM 推理从对话和执行轨迹中推断出哪些做法有效、哪些失败、用户的偏好是什么。然后 Skill Agent 决定写入哪个现有技能文件还是新建一个，并按照你定义的 SKILL.md 结构来写。最后技能文件被更新。整个流程的关键在于结构由你控制：你在 SKILL.md 里规定文件布局，系统只负责提取、路由和写入。这意味着记忆不是一团向量，而是有格式的文本。
召回机制：工具调用而非语义搜索
召回侧没有向量检索。Agent 被赋予 get_skill 和 get_skill_file 两个工具，由它自己判断需要什么，主动调用工具获取技能内容。README 称之为渐进式披露，强调是 Agent 在环内做决定。这种设计回避了 embedding 的调参和召回质量的不可控，但代价是 Agent 必须知道该调用哪个工具，而且每次调用都消耗一次工具调用的 token。如果你的 Agent 推理能力弱，可能不知道该取哪个技能，导致记忆形同虚设。
部署方式：云端免费额度或自托管
快速开始要求先到 Acontext.io 领取免费额度，通过引导获得以 sk-ac 开头的 API Key。想自托管的话，仓库提供了 acontext-cli。先执行 curl -fsSL https://install.acontext.io | sh 安装，然后需要 docker 和 OpenAI API Key。接着 mkdir acontext_server && cd acontext_server，运行 acontext server up。该命令会创建或使用 .env 和 config.yaml，并生成 db 文件夹持久化数据。默认 LLM 是 gpt-4.1，且要求模型支持工具调用。启动后 API 地址是 http://localhost:8029/api/v1，Dashboard 在 http://localhost:3000/。
SDK 与框架适配
官方维护 Python 和 TypeScript 两套 SDK，Python 包名为 acontext，TypeScript 包名为 @acontext/acontext。初始化客户端很简单，云端模式传入环境变量中的 ACONTEXT_API_KEY，自托管则传入本地 API 地址。README 强调记忆文件是纯 Markdown，任何能读文件的框架都能用，比如 LangGraph、Claude、AI SDK。技能文件可以打包成 ZIP 导出，在另一个 Agent 或另一个 LLM 环境里直接复用，不需要重新 embedding 或迁移。
局限性与适用边界
Acontext 不适合需要快速语义检索的场景。它明确放弃 top-k 召回，全靠 Agent 自己决定何时调用工具，这在长对话或复杂任务中可能增加延迟和 token 消耗。另一个限制是每次学习都依赖 LLM 蒸馏，这意味着每次任务完成或失败都要花一次额外的 LLM 推理，成本会随任务频率线性增长。自托管时还需注意，默认使用 gpt-4.1，意味着你必须有 OpenAI API Key，且模型必须支持工具调用。如果你用的是本地小模型或不支持工具调用的模型，这套机制就跑不起来。
同类方案的差异：向量库 vs 文件技能
主流的 Agent 记忆方案通常依赖向量数据库，把对话片段或摘要 embedding 后存起来，召回时做语义相似度搜索。Acontext 刻意避开这条路，它把记忆写成结构化技能文件，用工具调用按名获取。差异在于：向量库适合你不知道具体要找什么、只能靠语义模糊匹配的场景；Acontext 则要求 Agent 明确知道存在哪个技能并主动去取。前者的优势是召回灵活，缺点是结果不可解释、难以修正；后者的优势是透明可审计，缺点是依赖 Agent 的规划能力。另一个隐含区别是 Acontext 不锁定 API，文件可以导出到任何环境。
维护与升级成本
自托管版本用 docker 和本地 db 目录持久化，升级时你需要自己处理镜像更新和数据迁移。仓库显示最近有多个独立版本号，比如 sdk-ts/v0.1.21、ui/v0.1.14、package-claude-code/v0.1.3，说明 SDK、界面和 Claude Code 插件各自独立发版。这意味着你升级时可能面对多个组件的版本对齐问题。许可证是 Apache-2.0，允许商用和修改，但如果你修改了代码并分发，需要保留版权声明。云端模式则受其服务条款约束，README 只提到免费额度，没有说明数据留存期限，这是采用前需要向官方确认的点。
编辑结论
适合希望 Agent 从错误中学习、且不想被向量数据库或黑盒记忆锁定的开发者。它把记忆暴露为 Markdown 文件，你能用 git 追踪、用编辑器修改、在多个框架间迁移。不适合需要毫秒级语义召回、或不能接受每次学习都依赖 LLM 蒸馏成本的场景。自托管时先确认你的 LLM 支持工具调用，并准备好 OpenAI API Key。若走云端，先试用免费额度，确认 API Key 的权限边界与数据留存条款。采用前先验证蒸馏质量：用你自己的任务日志跑一轮，看技能文件是否真的可读、可复用，而不是空模板。
社区笔记