驾驭工程中的智能体记忆与运行时策略如何实现？

1. 跨会话的持久记忆

针对长时运行智能体在多个上下文窗口间缺乏连续记忆的问题，Anthropic 提出双层智能体架构：初始化智能体（ Initializer Agent ）在首次运行时搭建环境，产出 init.sh、进度文件 claude-progress.txt 与功能清单 features.json；编码智能体（ Coding Agent ）在每个会话中推进增量进展，并在结束时将环境保持在可合并的整洁状态，为下一会话留下清晰工件。进度文件与功能清单使智能体能够回顾决策、了解进度、避免重复工作。

2. 以代码仓库为系统记录

OpenAI 的经验是将仓库知识（ Repository Knowledge ）作为系统记录（ System of Record ）。AGENTS.md 、ARCHITECTURE.md 、架构决策记录（ ADR ）等文件把人类意图与项目约束编码进仓库，使任何后续智能体运行都能读取一致的上下文，而非每次从零理解项目。

3. 运行时隔离与可观测性

• 隔离运行时：通过容器、Git Worktree 等手段为每个变更启动独立、可快速启动的运行实例，避免相互污染。
• 智能体可观测性（ Agent Legibility ）：将应用 UI 、日志与指标本身对智能体可见，例如接入 Chrome DevTools Protocol 让智能体直接驱动浏览器、复现缺陷并验证修复；把可观测性工具接入智能体运行回路。

4. 垃圾回收式持续改进

将"黄金原则（ Golden Principles ）"直接编码进仓库，并定期运行后台智能体任务扫描偏差、更新质量等级、发起针对性重构 Pull Request，多数可在一分钟内完成审查并自动合并。这类似垃圾回收机制，使人类"品味"一旦被捕捉即持续强制执行于每一行代码。