面向反洗钱的记忆感知 Agent Harness：Oracle Nacho Martinez 拆解 Agent 全栈

AI AgentAgent Harness记忆系统上下文工程反洗钱持续学习

中文导读

Oracle 的 Nacho Martinez 以中型银行反洗钱（AML）自主 Agent 为例，系统拆解模型之外的 Agent Harness：Agent 循环、短期与长期记忆、上下文工程、Toolbox/Skillbox 模式、技能蒸馏与持续学习。核心主张是模型往往不可改，真正的工程增益来自围绕模型的 Harness 设计，这对做企业级 Agent 落地的中文团队很有参考价值。

核心观点

1.模型是不可变的部分，Harness（Agent 循环、记忆、上下文、工具编排）才是工程收益的主要来源。（约 2:07）

2.Agent 系统可理解为自动化加自主性的组合，需明确 Agent 与普通自动化的边界。（约 2:57）

3.记忆应分层：短期、情景、程序性、语义记忆，并区分上下文摘要与压缩两种策略。（约 4:57）

4.Toolbox 与 Skillbox 模式配合技能蒸馏，让冻结模型通过持续学习获得能力提升。（约 5:57）

5.指令层级（instruction hierarchy）是保证 Agent 行为可控、安全的关键机制。（约 8:31）

中文精读

这场来自 AI Engineer 的分享，主角是 Oracle 的 Nacho Martinez，主题是用一个 7×24 小时运转的反洗钱（AML）Agent 作为贯穿案例，讲清楚一个完整的 Agent 技术栈该怎么搭。对中文 AI 与科技读者来说，它的价值不在于又一个 Agent demo，而在于把「模型之外的那一层」讲得足够具体：当模型本身你改不动时，工程团队到底还能在哪里做出真实提升。

讲者给出的核心判断是：模型是你不可以改变的部分，而围绕模型的 Harness 才是可以真正取得进展的地方。所谓 Harness，包括 Agent 循环、短期与长期记忆、上下文工程、工具箱与技能箱模式、技能蒸馏以及持续学习等。这个视角对正在做企业级 Agent 落地的团队尤其重要，因为它把注意力从「换更强的模型」转移到「把编排和记忆做对」。

在记忆部分，分享把 Agent 记忆拆成短期、情景、程序性和语义四类，并讨论了上下文摘要与上下文压缩的区别。这类分层对构建长时运行、需要跨会话保持状态的业务 Agent 很关键，也解释了为什么简单的「把历史都塞进 prompt」在真实业务里很快会失效。

工程模式上，讲者介绍了 Toolbox 与 Skillbox 两种模式，以及技能蒸馏如何把复杂能力沉淀为可复用技能；再配合持续学习，让一个冻结的模型也能逐步变强。此外还提到指令层级，用来约束 Agent 的行为优先级，这是安全与可控性的基础。

整体而言，这是一场偏工程方法论的分享，适合正在设计 Agent 架构、记忆系统和工具编排的中文团队参考。它没有停留在概念层面，而是用一个具体的金融合规场景把各层组件串了起来，便于对照自家系统做取舍。