共享選擇性持久記憶：解決Agentic LLM多輪工具調用的上下文忘卻難題

針對智能體大型語言模型在多輪工具調用中面臨的上下文重置與歷史冗餘問題，本文提出一種共享選擇性持久記憶架構。該架構透過智慧識別並保留任務規範、資料模式、工具設定與輸出約束四類高價值上下文，同時剔除會話特定的推理痕跡，有效解決了傳統全量歷史持久化導致的Token效率低下與生成品質下降問題。實驗表明，該機制在三個企業場景中實現了96%的任務完成率，顯著優於無記憶（79%）和全歷史記憶（71%）方案。此外，零Token資料刷新機制消除了重複LLM呼叫的開銷，使任務時間減少14倍，單輪Token成本降低97倍。此一創新不僅提升了智能體的協作復用能力，也為工業級AI應用提供了高效的記憶管理範式。