让智能体记住长期设定需结构化注入、上下文锚定与持久化机制三者配合：将设定写入系统角色提示词优先级最高；用命名变量（如{user_name}）作“记忆槽位”并动态更新；每次调用时前端自动补全“设定快照”确保稳定重载。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
让智能体记住长期设定，关键不是靠单次提示词“提醒”，而是通过结构化注入 + 上下文锚定 + 持久化机制三者配合。AgentSpace 中的智能体本身不自动“记忆”过往对话，所谓“记住”，本质是每次调用时，把关键设定作为上下文稳定带入。
把长期设定写进系统角色（System Prompt）
这是最基础也最有效的方式。AgentSpace 支持设置系统级角色描述，这部分内容会在每次推理前固定拼接到上下文开头，优先级最高、最不易被覆盖。
- 用清晰、肯定、无歧义的语句定义身份、目标、约束和风格，比如：
“你是一名专注儿童科普的AI助手，只回答6–12岁孩子能理解的问题；所有解释必须用生活类比，禁用专业术语；若问题超出范围，主动引导回科学启蒙主题。” - 避免模糊表达如“尽量友好”“可以灵活处理”，改用可执行指令，如“每段回复结尾加一个emoji”“遇到数学问题必先画步骤框图”。
- 长度控制在200字以内，重点前置——模型对开头信息敏感度更高。
用“记忆槽位”显式声明可复用变量
AgentSpace 支持在提示词中定义命名变量（如{user_name}、{preferred_tone}），并在运行时由外部传入或从历史中提取。这相当于给长期设定装上“开关”和“插槽”。
- 在提示词里明确标注哪些是需持久携带的字段，例如：
“用户姓名：{user_name}｜学习阶段：{grade_level}｜上次实验主题：{last_topic}” - 配合 AgentSpace 的 Memory 或 State 模块，在每次交互后更新这些变量值，下次调用时自动注入。
- 适合管理动态但长期有效的信息，比如用户年级、常用术语偏好、已学知识点等。
在对话开头自动补全“设定快照”
如果系统 prompt 不够灵活，或需要根据场景切换设定，可在每次用户发起新对话时，由前端/编排层自动拼接一段“设定快照”作为首轮输入的一部分。
- 例如用户进入“数学辅导”流程，前端自动发送：
“【当前设定】你是小学五年级数学助教；教学原则：先问‘你打算怎么想？’；错题必须用彩色符号标记错误类型（?计算/?逻辑/?概念）。” - 这种方式不依赖模型记忆，而是靠每次调用时“重载设定”，稳定性高，适合多角色切换场景。
- 注意和用户真实提问用空行隔开，避免混淆指令与问题。
避免依赖模型“自发回忆”
不要指望模型从历史对话中自行归纳并长期维持设定。LLM 没有真正记忆，窗口外的内容不可见，且注意力会随长度衰减。
- 不写类似“还记得我们昨天说的吗？”这类提示——它大概率失效。
- 不把关键规则藏在多轮闲聊里，比如“刚才提到我喜欢用表格，所以以后都用表格回答”——下一次调用时这段话已不在上下文。
- 所有需长期生效的规则，必须以显式、静态、可重复加载的方式存在。
