如何引导 Augment 的 Cosmos Experts 从您的反馈中学习 (2026 指南)

它是默认开启的，且作用域由他人选择

记忆“允许 Expert 跨会话保留有用的上下文”，并“将特定作用域的知识存储在共享虚拟文件系统（VFS）中，以便未来的会话可以应用已建立的偏好、约定和经验，而无需依赖当前的对话”。

作用域是第一个发生不匹配的地方：“Expert 的记忆属于其团队，并按适合工作流的作用域进行隔离。基于代码库的 Expert 通常每个代码库使用一个作用域，而其他 Expert 可以使用全局、频道、项目或特定于用户的作用域。”

共有五种可能的作用域，默认值是适合模板的任何作用域。一个本应限制在代码库级别的 Expert 如果被设置为了全局作用域，就会学习某个团队的约定并将其应用到所有地方。而一个本应是全局作用域的 Expert 如果被限制在代码库级别，则会在每个代码库中重复学习相同的内容。

两条写入路径，只有一条会等待

这是一个值得深入理解的机制，因为它决定了单次随意的评论将如何影响之后的一切。

“简单记忆（Simple memory）是默认设置。它将明确、高质量的人类反馈直接写入整理后的知识文件中。这非常适用于本身具有权威性的偏好和常规规则。”

“嘈杂记忆（Noisy memory）使用证据日志加上整理后的知识文件。它会随着时间的推移整合较弱的信号，并且仅在证据足够强时才提升为学习成果。”

这也解释了为什么您无法从外部区分它们：“两种模型向读者展示的都是相同的整理后知识视图。区别在于该视图是如何生成的：简单记忆直接记录可信的事实，而嘈杂记忆在将其呈现给未来的会话之前，会先提炼重复的证据。”

因此，一个看起来完全相同的可读知识文件，其背后可能仅有一条评论支持，也可能有十二条相互印证的评论支持。如果您正在调试为什么 Expert 会相信某件事，这是首先需要确定的事情。

并非您的所有操作都具有相同强度的信号

Code Review Memory 运行的是嘈杂模型，其文档对权重的规定异常具体：“明确的人类反馈比反应或推断出的结果具有更高的权重，因此强反馈可以立即转化为有用的记忆，而较弱的信号则必须重复出现。”

实际上分为三个层级。书面评论可以立即生效。对智能体发现的反应，或者代码更改被合并的事实，则需要重复出现。系统还会进行过滤：“常规确认、机器人更新和仅限流程的评论都会被过滤掉。”

这是一个合理的设计。这也意味着一句随口的“行吧，可以”并不是中立的——它会被记录为一个弱信号，累积起来就会产生影响。

它会提示您，但大多数人并没有注意

有一个否决步骤，很容易被忽略：“在交互式会话中，当它记住某些内容时会提示您，以便您可以进行纠正或否决。”

这里起关键作用的词是交互式（interactive）。后台 Expert——而 Code Review Memory 明确是“一个后台模板 Expert”——在拉取请求（PR）合并时进行捕获，此时没有任何人在流程中提出反对。

它会暴露冲突，而不是解决冲突

在读取路径上：“在相关工作开始时，Expert 会加载当前作用域的记忆。它会应用匹配的指南，并在当前证据与记住的规则冲突时标记差异。”

标记差异比默默应用过时的规则要好，但这并不等同于修复它。过时的条目会一直保留，直到有人对其进行编辑，这也是检测 AI 记忆中的冲突中所讨论的普遍问题。

关闭记忆功能。 这是可行的——您可以告诉 Advisor 不要接入记忆——但这会把有用的部分和嘈杂的部分一起丢弃。从持续工作中获得的学习成果，恰恰是指令（instructions）无法捕获的。

将所有内容都写进 Expert 的指令中。 Augment 直接指出了这一点：“对于明确的工作流，使用技能（skills）或 Expert 指令；对于通过持续工作学到的上下文，使用记忆。”在评审方面：“Code Review Memory 并不等同于为每个代码库创建一个技能。技能提供明确、可重用的指令和工作流。记忆则是不断演进的、有证据支持的上下文，评审 Expert 会自动为他们正在评审的代码库加载这些上下文。”这是两项不同的工作，强迫一个机制同时做这两件事只会让两边都做得更糟。

使用最宽的作用域，以便所有内容在所有地方都可用。 官方指南恰恰相反：“使用与工作流匹配的最窄稳定作用域，例如用于代码评审的代码库，或用于反馈会诊的频道。”宽泛的作用域并不会让 Expert 获取更多信息，反而会让检索变得更加嘈杂。

将所有内容切换为嘈杂记忆，因为这听起来更严谨。 这也违反了文档的建议：“除非工作流确实需要重复的、加权的证据，否则首选简单记忆。”嘈杂记忆在设计上就会延迟学习。在您的反馈具有权威性的工作流中，这种延迟完全是净成本。

将记住的内容视为定论。 “将记忆视为不断演进的上下文，而不是不容置疑的规则。Expert 应该暴露矛盾，而不是忽略当前的证据。”记忆是一个带有历史记录的声明，而不是一个决定，这也是记忆溯源背后的区别。

假设另一个团队的 Expert 会获取这些记忆。 事实并非如此：“每个 Expert 团队拥有并维护自己的记忆，而不是修改另一个团队整理后的知识。”所有权是一个边界，而不是一个可以绕过的麻烦。

步骤 1：为每个 Expert 选择最窄的稳定作用域

梳理您的 Expert，并为每一个写下仍能覆盖其工作的最小作用域。在 Augment 的表述中，稳定（stable）这个词起到了关键作用——目标是下个月不需要扩大的最窄作用域，而不是想象中能达到的最窄作用域。

文档本身的示例就是正确的直觉：“用于代码评审的代码库，或用于反馈会诊的频道”。处理单个代码库的评审 Expert 不需要全局作用域。监控单个频道的会诊 Expert 不需要项目作用域。

两个问题可以解决大多数情况。在这里学到的知识在其他地方会是错的吗？如果是，请缩小作用域。您是否必须在其他三个地方重新教授同样的内容？如果是，这表明该知识并不是特定于该 Expert 的——请把这个想法留到步骤 3。

在此处顺便确定可见性，因为它随作用域一起移动：“记忆可以与组织共享，也可以保留在用户的 VFS 中，这取决于 Expert 的可见性。”

步骤 2：将记忆模型与信号的可靠性相匹配

每个 Expert 对应一个问题：该 Expert 接收到的反馈本身是否具有权威性？

如果人类输入了纠正，且该纠正完全正确，请使用简单记忆（simple memory）。例如您已经决定的偏好、常规规则、约定。它会“将明确、高质量的人类反馈直接写入整理后的知识文件中”，即时性就是其特点。

如果信号是混合的——反应、合并结果、推断、严肃程度不一的评论——请使用嘈杂记忆（noisy memory），让证据日志发挥作用。Code Review Memory 就是典型案例，原因正如文档所述：“评审评论、对智能体发现的反应、已解决的修改请求以及修改结果都带有不同的置信度。”

然后应用第二个官方过滤器，这关乎数量而非机制：“仅在信息可能改变未来的决定或关注领域时才保存信息。”记录一切的 Expert 会生成一个无人阅读的知识文件，而无人阅读 of 知识文件正是过时条目堆积的地方。

具体到评审路径，要清楚哪些内容正在被监控，以便在评审中深思熟虑：它“记录有用的人类评论、对智能体发现的反应、已解决的修改请求以及修改结果”。您对智能体发现的反应就是训练数据。请这样对待它。

步骤 3：阅读知识文件，并移除非特定于 Expert 的事实

培养两个习惯，其中第二个是结构性修复。

第一，切实去阅读它。记忆被写入“其自身 VFS 目录下的可读 Markdown”，在评审端，存储拆分非常明确：“原始痕迹日志（breadcrumb log）保留了从评审中收集的证据，而整理后的知识文件包含评审 Expert 消费的简明指南。”阅读整理后的文件以查看您的 Expert 相信什么；当您想知道原因时，阅读痕迹日志。制定一个计划——每月一次就足够了——因为后台 Expert 在捕获时没有交互式否决步骤，而这是唯一的评审环节。

第二，注意哪些内容不断出现在多个 Expert 的文件中。您的架构决策、您的领域词汇、哪个服务拥有什么、为什么某个被废弃的东西仍然存在。这些知识并不是某个特定角色通过自身工作学到的——它们是您的组织所掌握的知识，而按 Expert 划分作用域意味着每个 Expert 都要单独学习它，否则就会出错。

Augment 的作用域建议对于它所针对的知识是正确的，但它对于真正共享的知识没有解决方案。这属于一个不属于任何 Expert 的层。只需三个步骤即可设置 MemoryLake。

步骤 1：创建 API 密钥

登录并从您的仪表板生成一个 API 密钥。它不局限于某个 Expert、团队或代码库，这一属性对于无论哪个 Expert 提问都成立的事实至关重要。

步骤 2：上传您的第一批记忆

放入您发现的在多个 Expert 文件中重复出现的内容：架构决策及其原因、领域术语、服务所有权、常规约束、您在评审中不断给出的答案。

将通过工作学到的材料留在原处。一个 Expert 记录的它在某个代码库中停止标记的误报，正是应该保留在该代码库作用域内的内容。

步骤 3：连接您的 AI 和智能体

将您的智能体指向该存储库。一个新的 Expert 将从您组织的事实开始，而不是从零开始，并且对共享事实的纠正只需进行一次，而不是每个 Expert 进行一次——这就是为团队设置共享 AI 记忆的意义所在。

第一个改变是，缩小作用域不再以牺牲覆盖面为代价。目前，缩小 Expert 的作用域意味着它对您组织的了解变少。当共享事实来自其他地方时，狭窄的作用域仅意味着更干净的历史记录。

第二个改变是，模型的选择变得简单。权威反馈用简单模型，混合信号用嘈杂模型——而且两者都不必承载背景事实，而背景事实正是促使人们走向宽作用域和过度保存的原因。

第三个改变是，审查习惯变得易于执行。一个仅限于 Expert 真正学到内容的整理后文件足够简短，可以每月阅读一次，这就是审计您的 AI 记住了什么与仅仅“打算去审计”之间的区别。

• 默认其已开启。 所有模板 Expert 都启用了它，且 Advisor 默认会将其添加到自定义 Expert 中。
• 使用最窄的稳定作用域。 用于代码评审的代码库，用于会诊的频道——这些都是 Augment 自己的示例。
• 首选简单记忆。 仅在信号置信度确实存在差异时才切换到嘈杂记忆。
• 仅保存可能改变未来决定的内容。 这是官方的数量过滤器，也是保持文件可读性的关键。
• 注意您在评审中的反应。 评论、反应、已解决的请求和结果都会被捕获，且权重不同。
• 不要指望后台工作中有否决步骤。 它只出现在交互式会话中；Code Review Memory 在后台运行。
• 每月阅读一次整理后的文件，在感到意外时阅读痕迹日志。 一个展示结论，另一个展示证据。
• 尊重所有权边界。 每个 Expert 团队维护自己的记忆，不编辑另一个团队的记忆。

Augment 提供了比大多数工具暴露得更多的智能体记忆控制权：五个作用域、两个具有完全不同语义的写入模型、一个有文档记录的信号层级，以及您可以检查的可读文件。

按照文档推荐的方式使用这些控制项——默认采用窄作用域、简单记忆，并克制地保存内容——然后处理作用域无法解决的一种情况：每个 Expert 都需要的事实。这些不是某一个角色的学习成果，将它们保留在共享层中，才能让每个 Expert 的记忆保持应有的精简。